TFboy养成记 简单小程序（Variable & placeholder）

时间：2023-12-31 10:40:44

　学习参考周莫烦的视频。

Variable：主要是用于训练变量之类的。比如我们经常使用的网络权重，偏置。

值得注意的是Variable在声明是必须赋予初始值。在训练过程中该值很可能会进行不断的加减操作变化。

placeholder:也是用于存储数据，但是主要用于feed_dict的配合，接收输入数据用于训练模型等。placeholder值在训练过程中会不断地被赋予新的值，用于批训练，基本上其值是不会轻易进行加减操作。

placeholder在命名时是不会需要赋予值得，其被赋予值得时间实在feed_dict时。

Variable使用：

这是一个简单的加法训练。需要注意的是tensorflow 中很多操作都可以看做是一个节点。比如这里的assign操作，需要专门做一个update操作节点。

import tensorflow as tf

import numpy as np

#Variable 在声明是必须要给定一个 初始值的。同时也要规定他的shape，这里是一个常数，所以就不许要在给定一个shape了。

one = tf.Variable(tf.constant(1))

get = tf.Variable(0)

state = tf.add(one,get)

update = tf.assign(get,state)

init = tf.global_variables_initializer()

sess = tf.Session()

sess.run(init)

for i in range(10):

    sess.run(update)

    print(sess.run(get))

placeholder使用：

placeholder是作为一个容器，在声明时，并不需要给定一个初始值，与c++等语言不同，你可以把它看做成在运行时他并不执行，只有在feed_dict出现训练时，在给予值（个人看法，不一定对）。

不过placeholder 在命名时时需要指定类型的。如：

xs = tf.placeholder(tf.float32,[None,1],name = "x_input")

这里的xs不仅指定了类型，也定义的shape。如果不定义shape，只要是后续代码中一致，那么可以是任意形式的。

这里给出两个版本的代码，一个用了placeholder去拟合一个曲线，另一个没有使用

placeholder：

 # -*- coding: utf-8 -*-

 """

 Created on Tue Jun 13 15:41:23 2017

 @author: Jarvis

 """

 import tensorflow as tf

 import numpy as np

 x_data = np.random.rand(100).astype(np.float32)

 y_data = x_data*0.1+0.3

 print (x_data.shape)

 xs = tf.placeholder(tf.float32)

 ys = tf.placeholder(tf.float32)

 W = tf.Variable(1.0)

 #W = tf.Variable(tf.random_uniform([1],-1.0,1))

 b = tf.Variable(tf.zeros([1]))

 y_pre = W*xs+b

 loss = tf.reduce_mean((tf.square(ys-y_pre)))

 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

 init = tf.initialize_all_variables()

 sess = tf.Session()

 sess.run(init)

 for i in range(1000):

     sess.run(train_step,feed_dict={xs:x_data,ys:y_data})

     if i%50 == 0:

         print (sess.run(W),sess.run(b))

没有用，直接使用原始数据：

import tensorflow as tf

import numpy as np

x_data = np.random.rand(100).astype(np.float)

y_data = x_data*0.3+0.1

W = tf.Variable(tf.zeros([1]))#这里可能大家会有疑问，W的shape到底是多少？这个Wshape和之前 那个版本的w.shape到底有什么区别呢？详见shape的内容。

b = tf.Variable(tf.zeros([1]))

y_pre = W*x_data+b

loss = tf.reduce_mean(tf.square(y_data-y_pre))

train_step = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

init = tf.global_variables_initializer()

sess = tf.Session()

sess.run(init)

for i in range(1000):

    sess.run(train_step)

    print(sess.run(W),sess.run(b))

相关文章