tensorflow sess.run() |
您所在的位置：网站首页 › tensorflow sess run › tensorflow sess.run() |
tensorflow sess.run()
|
函数参数run( fetches, feed_dict=None, options=None, run_metadata=None) feed_dict参数的作用是替换图中的某个tensor的值。例如： a = tf.add(2, 5) b = tf.multiply(a, 3) with tf.Session() as sess: sess.run(b)21 replace_dict = {a： 15} sess.run(b, feed_dict = replace_dict)45 这样做的好处是在某些情况下可以避免一些不必要的计算。 除此之外，feed_dict还可以用来设置graph的输入值，这就引入了 x = tf.placeholder(tf.float32, shape=(1, 2)) w1 = tf.Variable(tf.random_normal([2, 3],stddev=1,seed=1)) w2 = tf.Variable(tf.random_normal([3, 1],stddev=1,seed=1)) a = tf.matmul(x,w1) y = tf.matmul(a,w2) with tf.Session() as sess: # 变量运行前必须做初始化操作 init_op = tf.global_variables_initializer() sess.run(init_op) print(sess.run(y, feed_dict={x:[[0.7, 0.5]]}))[[3.0904665]] 或者 多输入 x = tf.placeholder(tf.float32, shape=(None, 2)) w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1)) w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1)) a = tf.matmul(x,w1) y = tf.matmul(a,w2) with tf.Session() as sess: init_op = tf.global_variables_initializer() sess.run(init_op) print(sess.run(y, feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]})) print(sess.run(w1)) print(sess.run(w2))[[3.0904665] [1.2236414] [1.7270732] [2.2305048]] [[-0.8113182 1.4845988 0.06532937] [-2.4427042 0.0992484 0.5912243 ]] [[-0.8113182 ] [ 1.4845988 ] [ 0.06532937]] 注意：此时的a不是一个tensor，而是一个placeholder。我们定义了它的type和shape，但是并没有具体的值。在后面定义graph的代码中，placeholder看上去和普通的tensor对象一样。在运行程序的时候我们用feed_dict的方式把具体的值提供给placeholder，达到了给graph提供input的目的。 placeholder有点像在定义函数的时候用到的参数。我们在写函数内部代码的时候，虽然用到了参数，但并不知道参数所代表的值。只有在调用函数的时候，我们才把具体的值传递给参数。
这个例子是用Tensorflow构建一个简单的计算图 import tensorflow as tf #使用tensorflow在默认的图中创建节点，这个节点是一个变量，命名为“counter” state = tf.Variable(0, name="counter") #创建一个常量 one = tf.constant(1) #对常量与变量进行简单的加法操作，这点需要说明的是： 在TensoorFlow中， #所有的操作op和变量都视为节点，tf.add() 的意思就是在tf的默认图中添加一个op，这个op是用来做加法操作的。 new_value = tf.add(state,one) #赋值操作。将new_value的值赋值给update变量 update = tf.assign(state,new_value) #此处用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。如果有Variable，一定需要写这句话 init = tf.initialize_all_variables() #切记：所有的运算都应该在session中进行，即 with tf.Session() as sess with tf.Session() as sess: #对变量进行初始化，执行（run）init语句 sess.run(init) #循环3次，并且打印输出。 for _ in range(3): sess.run(update) # 打印变量时也需要用sess.run print(sess.run(state))结果如下： 注意： TensorFlow与我们正常的编程思维略有不同：TensorFlow中的语句不会立即执行；而是等到开启会话session的时候，才会执行session.run()中的语句。如果run中涉及到其他的节点，也会执行到。 Tesorflow模型中的所有的节点都是可以视为运算操作op或tensor |
【本文地址】