标签：必须   ict   示例   pytho   一个   赋值   预测   shape   命令   

1、tensor

2、constant

constant保存在graph中，如果graph重复载入那么constant也会重复载入，其非常浪费资源，如非必要尽量不使用其保存大量数据。

3、Variables

当训练模型时，需要使用Variables保存与更新参数。Variables会保存在内存当中，所有tensor一旦拥有Variables的指向就不会在session中丢失。其必须明确的初始化而且可以通过Saver保存到磁盘上。Variables可以通过Variables初始化。

Variables在每个session中都是单独保存的，甚至可以单独存在一个参数服务器上。

3.1 初始数据生成方法

3.2 初始化

实际在其初始化过程中做了很多的操作，比如初始化空间，赋初值（等价于tf.assign），并把Variable添加到graph中等操作。注意在计算前需要初始化所有的Variable。

一般会在定义graph时定义global_variables_initializer，其会在session运算时初始化所有变量。直接调用global_variables_initializer会初始化所有的Variable，如果仅想初始化部分Variable可以调用tf.variables_initializer。

Variables可以通过eval显示其值，也可以通过assign进行赋值。

示例：

Init_ab = tf.variables_initializer([a,b],name=”init_ab”)  #

4、 placeholders与feed_dict

定义一张graph时，有时候并不知道需要计算的值，比如模型的输入数据，其只有在训练与预测时才会有值。这时就需要placeholder与feed_dict的帮助。

定义一个placeholder，可以使用：

tf.placeholder(dtype,shape=None,name=None) ##

注意事项

命名

尽量每一个变量都明确的命名，这样易于管理命令空间，而且在导入模型的时候不会造成不同模型之间的命名冲突，这样就可以在一张graph中容纳很多个模型。

tensorflow基础知识

标签：必须   ict   示例   pytho   一个   赋值   预测   shape   命令   

原文地址：http://www.cnblogs.com/qjoanven/p/7736025.html