【TF-1-1】Tensorflow实验--入门

目录

1. 实现一个累加器，并且每一步均输出累加器的结果值
2. 实现动态的更新变量的维度数目
3. 实现一个求解阶乘的代码

      

使用已介绍的相关TensorFlow相关知识点，实现以下三个功能(变量更新)

一、实现一个累加器，并且每一步均输出累加器的结果值

1 2 3 4 5 6 7 8 9 扫描二维码关注公众号，回复： 9876950 查看本文章 10 11 12 13 14 15 16

# 1. 定义一个变量 x = tf.Variable(1, dtype=tf.int32, name='v_x') # 2. 变量的更新 # x = x+1 #这种操作不行 assign_op = tf.assign(ref=x, value=x + 1)#更新操作Update `ref` by assigning `value` to it. # 3. 变量初始化操作 x_init_op = tf.global_variables_initializer() # 3. 运行 with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess: sess.run(x_init_op) # 变量初始化 # 模拟迭代更新累加器 for i in range(5): sess.run(assign_op) # 执行更新操作 r_x = sess.run(x) print(r_x)

结果：

二、 实现动态的更新变量的维度数目

import tensorflow as tf
# 1. 定义一个不定形状的变量
x = tf.Variable(
initial_value=[], # 给定一个空值
dtype=tf.float32, trainable=False,
validate_shape=False # 设置为True，表示在变量更新的时候，进行shape的检查，默认为True
)
# 2. 变量更改
concat = tf.concat([x, [0.0, 0]], axis=0)
assign_op = tf.assign(x, concat, validate_shape=False)
# 3. 变量初始化操作
x_init_op = tf.global_variables_initializer()
# 3. 运行
with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
sess.run(x_init_op) # 变量初始化
# 模拟迭代更新累加器
for i in range(5):
sess.run(assign_op) # 执行更新操作
r_x = sess.run(x)
print(r_x)

结果：

三、实现一个求解阶乘的代码

# 1. 定义一个变量
sum = tf.Variable(1, dtype=tf.int32)
# 2. 定义一个占位符
i = tf.placeholder(dtype=tf.int32)
# 3. 更新操作
tmp_sum = sum * i
assign_op = tf.assign(sum, tmp_sum)
# 4. 变量初始化操作
x_init_op = tf.global_variables_initializer()
# 5. 运行
with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
sess.run(x_init_op) # 变量初始化
# 模拟迭代更新累加器
for j in range(1, 6):
r = sess.run(assign_op, feed_dict={i: j})
print("5!={}".format(r))

结果：

需求三的另一种写法：

# 1. 定义一个变量
sum = tf.Variable(1, dtype=tf.int32)
# 2. 定义一个占位符
i = tf.placeholder(dtype=tf.int32)
# 3. 更新操作
tmp_sum = sum * i # 一样的效果 tmp_sum = tf.multiply(sum, i)
assign_op = tf.assign(sum, tmp_sum)
with tf.control_dependencies([assign_op]):
# 如果需要执行这个代码块中的内容，必须先执行control_dependencies中给定的操作/tensor
sum = tf.Print(sum, data=[sum, sum.read_value()], message='sum:')
# 4. 变量初始化操作
x_init_op = tf.global_variables_initializer()
# 5. 运行
with tf.Session(config=tf.ConfigProto(log_device_placement=True, allow_soft_placement=True)) as sess:
sess.run(x_init_op) # 变量初始化
# 模拟迭代更新累加器
for j in range(1, 6):
# 执行更新操作
# 通过control_dependencies可以指定依赖关系，这样的话，就不用管内部的更新操作了
r = sess.run(sum, feed_dict={i: j})
print("5!={}".format(r))