2.2tf基础（一）——3种张量（常量、变量与占位符）的基本使用

前言

上一篇文章中，小编介绍了TensorFlow（下文简称 tf）中张量、节点、图、会话这4个概念，同时分享了小编对搭建基于tf的DNN模型的通用模式的理解。相信从上一篇文章中，大家能够像小编一样体会到，tf中的常量、变量和占位符的定义及赋值（针对后两者）的使用是最基础最重要的点，因为，如果不把我们熟知的整型、浮点型、数组、列表、numpy.ndarray等数据类型转换为tf中常量、或者变量、或者占位符，那么tf就无法识别你的数据。根据上一篇文章，我们知道tf需要将所要处理的数据以节点为单位灌入到图（graph）中，然后创建并启动一个会话（Session）进行计算。本文将就上述三种基本数据类型的定义与赋值做基本的介绍。

基本数据类型的使用

下面关于tf中常量、变量和占位符3种数据类型的作用与定义的操作，来源于tf的API官方说明文档，网址是：https://tensorflow.google.cn/api_docs/python/，关于tf中各种函数、类及其属性、方法的使用请查看tf的官方文档，打开上述网址，即可看如下图所示的页面：

假设在Python集成开发环境中已使用“importtensorflowastf ”语句导入了tf包，则可按照本文中各幅图所示的操作来体会tf中常量、变量和占位符的用法。

1.常量的使用

根据tf的官方文档，tf中常量需使用如下图所示的constant函数来定义：

tf中常量的特性：一旦定义后，常量的值和维度均不能被改变。

定义时，常用参数说明：

value，必填的参数，作用是指定所要定义的常量的值，这个值可以是一个数、字符或字符串，也可以是一个元组、列表或numpy.ndarray类型的数组。

dtype，可选参数，用以指定value的数据类型。

shape，可选参数，一般用以指定一个张量的形状，当value是一个张量时，由于函数能够自动获取value的形状，故一般不使用这个参数；当value是一个数时，若指定了shape的值，则是定义了一个用value填充的shape指定大小的张量。例如：若指定value = 0，shape = [2,3]，则就是定义了一个2行3列，元素全为0的张量。

name，可选参数，为所定义的常量指定一个名称，以使得在tf的图中（尤其时使用了tensorboard后）能够看到这个常量。

常量定义的实例

如下图所示，这里演示了常见的5种常量定义的方式，定义完成后，为了能够查看tf中变量的具体值，使用Python中常规print函数答应是不行的，需要使用tf初始化所有变量，然后启动会话（session）并调用run函数才能够看到具体的值。

上述代码的执行结果如下图所示，可以看到，虽然定义常量时value传入的数据类型时元组、列表，但最终会被tf统一转换为numpy类型，由此课件numpy的基础性与重要性。其中，常量b和c的区别是，前者定义时未指定dtype参数的值，则默认为传入的整型类型，后者则再定义的时候，将传入的整数统一转换位了32位浮点数。

2.变量的使用

（1）变量的定义

根据tf的官方文档，tf中变量的定义需使使用Variable类，也就是需要使用用如下图所示的Variable类中的构造函数（__init__）来定义：

tf中变量的特性：定义后，变量的值和维度都可以改变。

定义时，常用参数的说明：

initial_value，可选参数，作用是指定所要定义的变量的值，这个值可以是一个数、字符或字符串，也可以是一个元组、列表或numpy.ndarray类型的数组。

name，可选参数，为所定义的变量指定一个名称，以使得在tf的图中（尤其时使用了tensorboard后）能够看到这个变量。

validate_shape，可选参数，默认值是True。如果指定位False，则initial_value的形状（大小）可以是未知的，否则，默认情况下，initial_value的形状必须是确定已知的，否则将会提示ValueError的错误。

dtype，可选参数，用以指定initial_value的数据类型。

（2）变量的重新赋值

根据tf的官方文档，tf中变量的重新赋值需使用如下图定义的assign、assign_add、assign_sub三个函数中的一个函数实现，其中，assign函数是将变量原来的值重新赋值位一个新的值，而且如果制定了validate_shape参数的值，则可以改变变量的维度；两外两个函数则是在原来的变量的值的基础上加上或减去一个值，作用类似于i+=1与i-=1。

由上面三幅图可见这三个函数的参数差不多，不同的是assign函数多了一个validate_shape参数，下面对这三个函数的参数的意义做一个简单的说明：

ref，必填参数，作用是指定所要被重新赋值的变量的变量名。

value，必填参数，作用是指定所要赋予变量的值，这个值可以是一个数，也可以是一个元组、列表或numpy.ndarray类型的数组，但不能是字符或字符串。

validate_shape，可选参数，只有assign函数有此参数，作用是通过制定一个形状来更改原变量的维度为新的维度大小。

name，可选参数，为所定义的变量指定一个名称，以使得在tf的图中（尤其时使用了tensorboard后）能够看到这个变量。

（3）变量定义与赋值的实例

如下图所示，首先变量的定义，这里使用了tf的fill函数，这与numpy中的full函数的功能一致，后边使用了tf中试用频率比较高的matmul函数，该函数的作用是计算两个矩阵的乘积。此外，要注意的一个地方是，为了能够得到各个变量具体的值，与上文中使用sess.run不一样的是，这里使用了sess.eval。关于这run和eval的区别，请查看上一篇文章——“基于tf的DNN的搭建模式——张量、节点、图与会话”。

上述代码的执行结果如下图所示，这里要关注的地方是，由于上述代码中使用assign函数时设置了validate_shape为False，因此可以改变其值，默认值是True。

3.占位符的使用

（1）占位符的定义

根据tf的官方文档，tf中占位符需使用如下图所示的placeholder函数来定义：

tf中占位符的特性：定义时根据指定的参数向系统申请一定量的内存，使用时，即模型运行时才传入（feed）数据的数据。

定义时，常用参数的说明：

dtype，必填参数，用以指定占位符中所要容纳的数据的数据类型。

shape，可选参数，用以指定占位符中所要容纳的数据的张量的形状。

name，可选参数，为所定义的占位符指定一个名称，以使得在tf的图中（尤其时使用了tensorboard后）能够看到这个占位符。

（2）占位符的赋值

占位符的赋值比较特别，由于占位符在定义的时候最多只是指定数据类型、数据张量的形状（大小），因此，占位符中存入数据一般是开始运行模型时，在Session.run()、Tensor.eval()或Operation.run()中使用参数"feed_dict"传入，其中，Tensor实际是指一个具体的张量的变量名，Operation则是指一个具体的操作节点的变量名。

（3）占位符定义与赋值的实例

下图中的代码定义了两个占位符。你可能会有疑问：既然要把x_data和y_data的值分别赋值给inputs和outputs这两个占位符，那为什么不直接定义为变量？实际上，这涉及到了基于tf的编程模式，这里只是用一个例子以示范占位符的使用方式。具体的缘由可查看上一篇文章——“基于tf的DNN的搭建模式——张量、节点、图与会话”。

上述代码的执行结果如下图所示：

通过本文，你是否已经明白实际搭建DNN模型时，如何才能把我们熟知的那些数据传入到基于TensorFlow的DNN中进行计算呢？相信本文的归纳，能够解决你基于TensorFlow的深度学习中与神经网络相关的基本问题。更多的内容，请持续关注你本公众号的后期推送喔！

欢迎您加入GIS遥感开发QQ群与同行交流