05.16 「关键点」TensorFlow 可以这样区分类与操作？「附例子」

TensoFlow 框架，如何快速上手去解决图像处理，自然语言处理的问题呢呢？有一次去新浪面试，就问到TensorFlow 中的类与操作有什么方法可以一眼看出来，答案在本文。

0

1

Variable

a = tf.Variable(2, name="scalar") # create variable a with scalar value

b = tf.Variable([2, 3], name="vector") # create variable b as a vector

c = tf.Variable([[0, 1], [2, 3]], name="matrix") # create variable c as a 2x2 matrix

# create variable W as 784 x 10 tensor, filled with zeros

W = tf.Variable(tf.zeros([784,10]))

02

Variable vs constant

Variable 是tensorflow的一个类，里面封装了很多operations，简称ops，所以它是大写的，而tensorflow的op是小写的。

又知constant是一个operation，简写为op，所以它小写了。

03

初始化Variable

在01节中，创建了a,b,c,w4个Variable对象，在tensorflow中，创建的这些对象，必须要经过初始化才能使用。

最简单直接的初始化所有变量的方法：

init = tf.global_variables_initializer()

with tf.Session() as sess:

sess.run(init)

初始化指定变量：

#初始化变量a和b

init_ab = tf.variables_initializer([a, b], name="init_ab")

with tf.Session() as sess:

sess.run(init_ab)

初始化一个变量：

W = tf.Variable(tf.zeros([784,10]))

with tf.Session() as sess:

sess.run(W.initializer)

04

eval

对比两片代码，pieceA, pieceB :

pieceA

# W is a random 700 x 100 variable object

W = tf.Variable(tf.truncated_normal([700, 10]))

with tf.Session() as sess:

sess.run(W.initializer)

print W

>> Tensor("Variable/read:0", shape=(700, 10), dtype=float32)

pieceB

# W is a random 700 x 100 variable object

W = tf.Variable(tf.truncated_normal([700, 10]))

with tf.Session() as sess:

sess.run(W.initializer)

print W.eval()

>> [[-0.76781619 -0.67020458 1.15333688 ..., -0.98434633 -1.25692499 -0.90904623]

[-0.36763489 -0.65037876 -1.52936983 ..., 0.19320194 -0.38379928 0.44387451]

[ 0.12510735 -0.82649058 0.4321366 ..., -0.3816964 0.70466036 1.33211911] ...,

[ 0.9203397 -0.99590844 0.76853162 ..., -0.74290705 0.37568584 0.64072722] ]

So, you can guess what eval() functions!

05

Variable的操作接口：assign()

一个问题：

W = tf.Variable(10)

W.assign(100)

with tf.Session() as sess:

sess.run(W.initializer)

print W.eval()

打印的结果，是10，还是100？？？

10

Why?

一条tensorflow的规则：

W.assign(100) 并不会给W赋值，assign()是一个op，所以它返回一个op object，需要在Session中run这个op object，才会赋值给W.

Just like this:

W = tf.Variable(10)

assign_op = W.assign(100)

with tf.Session() as sess:

sess.run(W.initializer)

sess.run(assign_op)

print W.eval() # >> 100

带下划线的代码可以省略，因为assign_op可以完成赋初始值操作。事实上， initializer op 是一个特殊的assign op.

Go on:

# create a variable whose original value is 2

my_var = tf.Variable(2, name="my_var")

# assign a * 2 to a and call that op a_times_two

my_var_times_two = my_var.assign(2 * my_var)

with tf.Session() as sess:

sess.run(my_var.initializer)

sess.run(my_var_times_two) # >> 4

sess.run(my_var_times_two) # >> 8

sess.run(my_var_times_two) # >> 16

大家可以体会，为什么执行一次，就会加倍。

进而，体会assign()返回的assign_op的意义。