常量 constant

tf.constant()函数定义：

def constant(value, dtype=None, shape=None, name="Const", verify_shape=False)

• value: 符合tf中定义的数据类型的常数值或者常数列表;
• dtype：数据类型，可选;
• shape：常量的形状，可选;
• name：常量的名字，可选;
• verify_shape：常量的形状是否可以被更改，默认不可更改;

constant()函数提供在tensorflow中定义常量(不可更改的张量)的方法。

例如：

tensor_constant1 = tf.constant([1,2,3,4])

得到常数张量[1,2,3,4]。

除了直接赋值以外，tf还提供使用tf.ones()、tf.zeros()等初始化张量的方法。

变量 Variable

tensorflow中的变量是通过Variable类来实现的，类初始化函数为tf.Variable()：

def __init__(self,

               initial_value=None,

               trainable=True,

               collections=None,

               validate_shape=True,

               caching_device=None,

               name=None,

               variable_def=None,

               dtype=None,

               expected_shape=None,

               import_scope=None)

tensorflow中的可以改变的量包括训练过程中的输入数据，输出数据以及控制从输入到输出的学习机制(具体体现为网络参数)，输入输出数据在tf中是用placeholder占位符定义的，tf的学习机制使用变量来表示。

TensorFlow中的变量特指深度学习机制中，控制输入到输出映射的可以变化的数据，这些变化数据随着训练迭代的进行，不断地改变数值，不断优化，使输出的结果越来越接近于正确的结果。

例如初始化一个含有100个值为0的一维常量的变量：

w_c1 = Variable(tf.zeros([100]))

占位变量 placeholder

tf.placeholder()函数定义：

def placeholder(dtype, shape=None, name=None)

• dtype：表示tensorflow中的数据类型，如常用的tf.float32,tf.float64等数值类型;
• shape：表示数据类型，默认的None是一个一维的数值，shape=[None,5],表示行不定，列是5;
• name：张量名称;

placeholder()又叫占位符，用于声明一个张量的数据格式，告诉系统这里会有一个这种格式的张量，但是还没有给定具体数值，具体的数值要在正式运行的时候给到。占位变量是一种TensorFlow用来解决读取大量训练数据问题的机制，它允许你现在不用给它赋值，随着训练的开始，再把训练数据传送给训练网络学习。

例如：

X = tf.placeholder(tf.float32, shape = [None, 100 * 100])

以上声明一个张量并赋值给X，数据类型是tf.float32，大小是None*100*100,None表示数量不定，tensorflow会根据运行时候具体情况调整。

张量转换 reshape

tf.reshape()定义：

tf.reshape(tensor, shape, name=None)

• tensor：张量
• shape：目标张量的形式
• name：名称，可选

reshape()的作用是将原始张量转换为参数中shape指定的形式。 

其中shape为一个列表形式，特殊的一点是列表中可以存在-1。-1代表的含义是不用显式指定这一维的大小，函数会自动计算，但列表中只能存在一个-1。

例如：

lable = [1,2,3,4,5,6,7,8]

reshape1 = tf.reshape(lable,shape = [2,-1])

reshape2 = tf.reshape(lable,shape = [2,4])

reshape1和 reshape2等价。