import tensorflow as tf from tensorflow.python.framework import ops

ops.reset_default_graph()

#开始一个计算图,通过使用tf.Session（）的方式来获得

sess=tf.Session()

#创建张量，TensorFlow当中内置了很多用来创建张量的不同方式

my_tensor=tf.zeros([1,20])

#通过在会话当中调用run函数估算我们的tensor

print(sess.run(my_tensor))

#创建变量

my_var=tf.Variable(tf.zeros([1,20]))

#注意，但是现在还不能直接使用sess.run()直接输出计算的张量，因为TensorFlow通过计算图进行操作，所以为了能够估算一个变量的数值，我们必须要执行一个变量初始化的操作，

#接下来通过一个初始化操作，然后再执行tf.run()输出

sess.run(my_var.initializer)

sess.run(my_var)

#接下来通过创建自定义形状的变量变量

row_dim = 2

col_dim = 3

#声明自定义形状的变量

zeros_var = tf.Variable(tf.zeros([row_dim, col_dim]))

ones_var = tf.Variable(tf.ones([row_dim, col_dim]))

#接着通过调用initializer和run方法实现估算变量的数值

sess.run(zeros_var.initializer)

sess.run(ones_var.initializer)

print(sess.run(zeros_var))

print(sess.run(ones_var))

#基于其他的tensor的形状创建

#如果创建的tensor的形状依赖于其他的tensor的形状，那么我们就可以使用TensorFlow内建的函数ones_like()或者zeros_like()来创建

zeros_similar=tf.Variable(tf.zeros_like(zeros_var))

ones_silimar=tf.Variable(tf.ones_like(ones_var))

sess.run(zeros_similar.initializer)

sess.run(ones_silimar.initializer)

print(sess.run(zeros_similar))

print(sess.run(ones_silimar))

#通过填充一个常量来创建张量

fill_var=tf.Variable(tf.fill([row_dim,col_dim],-1))

sess.run(fill_var.initializer)

print(sess.run(fill_var))

#我们还可以通过使用数组或者列表常量创建变量

#通过使用常量创建变量

const_var = tf.Variable(tf.constant([8, 6, 7, 5, 3, 0, 9]))

#也可以使用下面一种方式来进行变量的创建

const_fill_var = tf.Variable(tf.constant(-1, shape=[row_dim, col_dim]))

sess.run(const_var.initializer)

sess.run(const_fill_var.initializer)

print(sess.run(const_var))

print(sess.run(const_fill_var))

# 基于序列和范围创建张量

# 在TensorFlow当中，我们也可以基于序列创建张量 TensorFlow当中的linspace和range和numpy类似于python和numpy当中的这个函数

# TensorFlow当中的 linspace

line_var = tf.Variable(tf.linspace(start=0.0,stop=1.0,num=3))  # 创建【0.0,0.5,1.0】包括最后一个值

# TensorFlow当中的范围创建变量

sequence_var=tf.Variable(tf.range(start=6,limit=15,delta=3))    # 创建范围函数[6,9,12]不包括最后一个值

sess.run(line_var.initializer)

sess.run(sequence_var.initializer)

print(sess.run(line_var))

print(sess.run(sequence_var))

# 使用随机数在TensorFlow当中创建变量

rnorm_var = tf.random_normal([row_dim, col_dim], mean=0.0, stddev=1.0)

runif_var = tf.random_uniform([row_dim, col_dim], minval=0, maxval=4)

print(sess.run(rnorm_var))

print(sess.run(runif_var))

# 在TensorBoard当中可视化创建的变量

# 为了在TensorBoard当中可视化创建的变量，我们需要reset一下computational graph然后创建全局的初始化

# 重设计算图

ops.reset_default_graph()

# 启动一个会话

sess = tf.Session()

# 创建变量

my_var = tf.Variable(tf.zeros([1,20]))

# 向TensorBoard当中添加总结

merged = tf.summary.merge_all()

# initialize graph write

writer = tf.summary.FileWriter(‘/tmp/variable_logs’, graph=sess.graph)

# 初始化操作

initialize_op = tf.global_variables_initializer()

# 执行初始化操作

sess.run(initialize_op)

来自为知笔记(Wiz)