常量：
在運行程序中值不會改變的單元，在TensorFlow中無須進行初始化操作創建陳述句：constant_name = tf.constant(value)
變數：
在運行程序中值會改變的單元，在TensorFlow中須進行初始化操作創建陳述句：name_variable = tf.Variable(value, name)
個別變數初始化：init_op = name_variable.initializer()
所有變數初始化：init_op = tf.global_variables_initializer()
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior() # 解決方案：注釋tf的參考，換為兼容模式，
node1 = tf.Variable(3.0, tf.float32, name='node1')
node2 = tf.Variable(4.0, tf.float32, name='node2')
result = tf.add(node1, node2)
sess = tf.Session()
# 變數初始化/所有變數初始化
init = tf.global_variables_initializer()
sess.run(init) # 必須執行一遍，才算初始化
print(sess.run(result))
變數賦值：
與傳統編程語言不同，TensorFlow中的變數定義后，一般無需人工賦值，系統會根據演算法模型，訓練優化程序中自動調整變數對應的數值，
后面再機器學習模型訓練時會更能體會，比如權重Weight變數w，經過多次迭代，會自動調整，
特殊情況需要人工更新的，可用變數賦值陳述句：update_op = tf.assign(variable_to_be_updated, new_value)
# 變數賦值運算
value = tf.Variable(0, name = "value")
one = tf.constant(1)
new_value = tf.add(value, one)
update_value = tf.assign(value, new_value) # tf.assign把new_value的值賦給value
init1 = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init1)
for i in range(10):
sess.run(update_value)
print(sess.run(value))轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/374536.html
標籤：AI