tensorflow中张量、常量、变量、占位符

从实例出发

#先导入TensorFlow import tensorflow as tf  # Create TensorFlow object called hello_constant hello_constant = tf.constant('Hello World!')  with tf.Session() as sess:     # Run the tf.constant operation in the session     output = sess.run(hello_constant)     print(output)

有人会奇怪为什么不直接输出“hello world”，其实在tensorflow里面有它自己的一套。

1.tensor

在tensorflow中，数据是被封装在tensor对象中的。tensor是张量的意思，即包含从0到任意维度的张量。常数是0维度的张量，向量是1维度的张量，矩阵是二维度的张量，以及还有多维度的张量。

# tensor1 是一个0维的 int32 tensor tensor1 = tf.constant(1234)  # tensor2 是一个1维的 int32 tensor tensor2 = tf.constant([123,456,789])   # tensor3 是一个二维的 int32 tensor tensor3 = tf.constant([ [123,456,789], [222,333,444] ])

2.tf.constant

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

如：

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

3.tf.Variable

tensorflow中的变量是通过Variable类来实现的。tensorflow中需要定义为变量的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，即网络参数。输入输出数据在tf中是用placeholder占位符来定义的，网络参数是用tf.Variable来定义的。

4.tf.placeholder

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，但是还没有传入具体的值。

如：

X = tf.placeholder("float", shape=[None, 100])

上面声明了一个张量X，数据类型是float，100列，行数不确定。

5.tf.Session

以上部分都是搭建一个计算图的代码，在tf中，先搭建好计算图，然后再启动session，运行定义好的图。

import tensorflow as tf  x = tf.placeholder("string") with tf.Session() as sess:     output = sess.run(x, feed_dict={x : "run the map"})     print(output)

通过上面的例子我们明白了如何使用占位符，首先定义x为占位符，然后运行的时候将想要传入的值传给x。