深度学习（五）–常量与变量
- 2019 年 10 月 4 日
- 筆記
1 常量
概念：
- 在运行过程中值不会改变的单元，在Tensorflow中不需要进行初始化操作
定义常量：
constant_name = tf.constant(value)
常量的运算代码示例：
import tensorflow as tf # 一个简单的计算图 node1 = tf.constant(3.0, tf.float32, name="node1") node2 = tf.constant(4.0, tf.float32, name="node1") node3 = tf.add(node1, node2) # 可以通过创建会话session来执行数据操作 sess = tf.Session() print("node3的值:",sess.run(node3)
在这里进行的就是两个常量（node1， node2）的加法运算。
常量很简单，接下来看看变量！
2 变量
- 在运行中，值会改变的单元，在tensorflow中需要初始化操作
定义变量：
# 注意下面的Varible是大写开头 name_ariable = tf.Variable(value, name)
个别变量的初始化：
init_op = name_variable.initializer()
所有变量的初始化:
init_op = tf.global_variables_initializer()
变量的运算代码：
import tensorflow as tf node1 = tf.Variable(3.0, tf.float32, name='node1') node2 = tf.Variable(4.0, tf.float32, name='node2') result = tf.add(node1, node2, name='result') sess = tf.Session() init = tf.global_variables_initializer() sess.run(init) print(sess.run(result)) sess.close()
在这里的 init 是初始化所有的变量，它自己本身也是一个节点，所以我们也要通过session的run()方法对它进行初始化，如果我们注释掉sess.run(init)，程序会报错！
3 变量的赋值
- 与传统的编程语言不同，tensorflow中的变量定义之后，一般无需对变量进行人工赋值，系统会根据算法模型，训练优化过程中自动调整变量对应的数值
epoch = tf.Variable(0, name='epoch',trainable=False)
上面的代码把trainable参数设置为False，即取消了系统的自动赋值而是变为人工赋值
• 特殊情况需要人工更新的，可用变量赋值语句 变量更新语句：
update_op = tf.assign(variable_to_be_updated, new_value)
说了这么多，我们来写个小案例：
import tensorflow as tf node1 = tf.constant(1) node2 = tf.Variable(0, name='node2') # 实现加法操作 value = tf.add(node1, node2, name='value') update_value = tf.assign(node2, value) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for _ in range(10): sess.run(update_value) print(sess.run(node2))
分析一下这个小案例：首先我们定义了一个常量node1，然后我们定义一个变量node2， 然后我们将两者进行加法运算得到value，然后我们调用了tensorflow中的assign()，也就是变量更新的方法，我们将经过加法得到的结果赋给之前的变量node2，也就是实现了+1的操作。下一句就是初始化所有的变量，然后通过上下文的方法创建session，然后我们来初始化init，并且一个for循环，可以看出我们循环了10次，在这10次循环里，我们每次去运行了update_value，当我们去运行它时，就会牵涉到value，node2这些节点从而去运行这些节点，最后我们每次打印出变量node2的值。
运行输出后的结果：
1 2 3 4 5 6 7 8 9 10
4 关于变量的一个小练习
问
最后给大家一个小练习：
如何通过tensorflow的变量赋值计算：1+2+3…+10?
