tf语法 tensorflow

常量、
在 TensorFlow 中，数据不是以整数，浮点数或者字符串形式存在的，而是被封装在一个叫做 tensor 的对象中。Tensor是张量的意思，张量包含了0到任意维度的量，其中，0维的叫做常数，1维的叫做向量，二维叫做矩阵，多维度的就直接叫张量量。

Tensorflow中对常量的初始化，不管是对数值、向量还是对矩阵的初始化，都是通过调用constant()函数实现的。因为constant()函数在Tensorflow中的使用非常频繁，经常被用于构建图模型中常量的定义，函数constant有五个参数，分别为value，name，dtype，shape和verify_shape。其中value为必选参数，其它均为可选参数。Value为常量的具体值，可以是一个数字，一维向量或是多维矩阵。Name是常量的名字，用于区别其它常量。Dtype是常量的类型，如：tf.float32。Shape是指常量的维度，我们可以自行定义常量的维度，verify_shape是验证shape是否正确，默认值为关闭状态(False)。也就是说当该参数true状态时，就会检测我们所写的参数shape是否与value的真实shape一致，若不一致就会报TypeError错误。
变量

Tensorflow还提供了一些常见常量的初始化，如：tf.zeros、tf.ones、tf.fill、tf.linspace、tf.range等，均可以快速初始化一些常量。此外，Tensorflow还可以生成一些随机的张量，方便快速初始化一些随机值。如：tf.random_normal()、tf.truncated_normal()、tf.random_uniform()、tf.random_shuffle()等。
变量variable()也是在Tensorflow中经常会被用到的函数。变量的作用是保存和更新参数。执行图模型时，一定要对变量进行初始化，经过初始化后的变量才能拿来使用。变量的使用包括创建、初始化、保存、加载等操作。
占位符
前面代码中出现了tf.constant(‘Hello World!’)，这个tf.constant是用来定义常量的，其值是不变的，但是如果你需要用到一个变量怎么办呢？
这个时候就需要用到tf.placeholder() 和 feed_dict了。
x = tf.placeholder(tf.string)
with tf.Session() as sess:
output = sess.run(x, feed_dict={x: 'Hello World'})
tf.placeholder表示一个占位符，至于是什么类型，看自己定义了，这里定义的是tf.string类型，然后呢，在session开始run以前，也就死这个图开始计算以前，就使用feed_dict将对应的值传入x，也就是这个占位符。
同样的feed_dict可以设置多个tensor
x = tf.placeholder(tf.string)
y = tf.placeholder(tf.int32)
z = tf.placeholder(tf.float32)
with tf.Session() as sess:
output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})

但是需要注意的是，使用feed_dict设置tensor的时候，需要你给出的值类型与占位符定义的类型相同。

张量的阶、形状、数据类型 TensorFlow用张量这种数据结构来表示所有的数据.你可以把一个张量想象成一个n维的数组或列表.一个张量有一个静态类型和动态类型的维数.张量可以在图中的节点之间流通.
阶在TensorFlow系统中，张量的维数来被描述为阶.但是张量的阶和矩阵的阶并不是同一个概念.张量的阶（有时是关于如顺序或度数或者是n维）是张量维数的一个数量描述.比如，下面的张量（使用Python中list定义的）就是2阶.

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

你可以认为一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量.对于一个二阶张量你可以用语句t[i, j]来访问其中的任何元素.而对于三阶张量你可以用't[i, j, k]'来访问其中的任何元素.

阶	数学实例	Python 例子
0	纯量 (只有大小)	`s = 483`
1	向量(大小和方向)	`v = [1.1, 2.2, 3.3]`
2	矩阵(数据表)	`m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]`
3	3阶张量 (数据立体)	`t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]`
n	n阶 (自己想想看)	`....`

形状【tf语法】TensorFlow文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数.下表展示了他们之间的关系：

阶	形状	维数	实例
0	[ ]	0-D	一个 0维张量. 一个纯量.
1	[D0]	1-D	一个1维张量的形式[5].
2	[D0, D1]	2-D	一个2维张量的形式[3, 4].
3	[D0, D1, D2]	3-D	一个3维张量的形式 [1, 4, 3].
n	[D0, D1, ... Dn]	n-D	一个n维张量的形式 [D0, D1, ... Dn].

形状可以通过Python中的整数列表或元祖（int list或tuples）来表示，也或者用TensorShape class.
数据类型除了维度，Tensors有一个数据类型属性.你可以为一个张量指定下列数据类型中的任意一个类型：

数据类型	Python 类型	描述
`DT_FLOAT`	`tf.float32`	32 位浮点数.
`DT_DOUBLE`	`tf.float64`	64 位浮点数.
`DT_INT64`	`tf.int64`	64 位有符号整型.
`DT_INT32`	`tf.int32`	32 位有符号整型.
`DT_INT16`	`tf.int16`	16 位有符号整型.
`DT_INT8`	`tf.int8`	8 位有符号整型.
`DT_UINT8`	`tf.uint8`	8 位无符号整型.
`DT_STRING`	`tf.string`	可变长度的字节数组.每一个张量元素都是一个字节数组.
`DT_BOOL`	`tf.bool`	布尔型.
`DT_COMPLEX64`	`tf.complex64`	由两个32位浮点数组成的复数:实数和虚数.
`DT_QINT32`	`tf.qint32`	用于量化Ops的32位有符号整型.
`DT_QINT8`	`tf.qint8`	用于量化Ops的8位有符号整型.
`DT_QUINT8`	`tf.quint8`	用于量化Ops的8位无符号整型.

存储文件
我们的存储文件save.ckpt是一个二进制文件，Saver存储器提供了向该二进制文件保存变量和恢复变量的方法。保存变量的方法就是程序中的save()方法，保存的内容是从变量名到tensor值的映射关系。Saver提供了一个内置的计数器自动为checkpoint文件编号。这就支持训练模型在任意步骤多次保存。此外，还可以通过global_step参数自行对保存文件进行编号，例如：global_step=2，则保存变量的文件夹为model.ckpt-2。那如何才能恢复变量呢？首先，我们要知道一定要用和保存变量相同的Saver对象来恢复变量。其次，不需要事先对变量进行初始化。变量的获取是通过restore()方法，该方法有两个参数，分别是session和获取变量文件的位置。我们还可以通过latest_checkpoint()方法，获取到该目录下最近一次保存的模型。