1.4 variable
1.4.1 变量的概念
constant和variable的区别：
- tf. constant is an op
- tf. V ariable is a class with multiple ops.
第二点说明了常量存储在graph中，constant是memory expensive， 因此，如果graph中的constant过多，那么每次载入graph 的速度变得很慢；
如果想要查看graph中的存储：
输出为：
- 创建一个变量：
老的创建变量的方式为：
但是现在不推荐使用这种方式，推荐使用：tf.get_variable,参数如下，当使用tf.constant作为初始器来，不需要输入shape;
1.4.2 初始化变量
- 变量在使用前需要初始化，否则抛出
FailedPreconditionError:Attempting to use unintialized value - 如果想获得未初始化的变量列表：如下：
(1)最简单的初始化变量的方式为：
(2)初始化变量的子集：
可以使用下面的tf.variable_initializer()
(3)也可以对每个变量分开初始化tf.Variable.initializer：
(4)从一个文件中载入值来初始化变量
1.4.3 求变量值
（1） 类似tensors,获得变量值需要在一个session下；
（2 ）使用tf.Variable.eval()
print(V.eal()) # 获取值
1.4.4 变量赋值
（1） tf.Variable.assign()
- W结果为10 ： 赋值操作有效，必须在session下：
在这段代码中，没有使用初始化操作，因为初始化操作就是一个赋值操作；
源代码中的初始化操作：
一个例子：
- ·tf.Variable.assign_add()·和
tf.Variable.assign_sub()不同于assign操作；这两个方法不能初始化变量，因为这两个方法依赖变量的初始值；
- 因为session分别维持着值，每个session 对于一个变量有着各自的当前值：
假如一个变量W和另一个变量U是相关的，
应该使用initialized_value()确保这个变量W初始化在U使用这个变量前：
1.5 Interactive Session
- 交互式session和默认session不同的是不需要显式调用session；
tf.get_default_session()返回当前线程的默认session；
1.6 Control Dependencies
- 有时候，如果有多个独立的op，我们想要指定op的运行顺序：
- 使用
tf.Graph.control_dependencies([control_inputs])
1. 7 Importing Data
1.7.1 old way: placeholders and feed_dict
如果想要构建一个图，但是不知道要计算的值：
定义一个占位符：
如果这个占位符的shape为none,代表任何shape的tensor被接受；建议尽可能定义shape，不要默认；
（1） 传递单一值
但是如果运行，会得到一个错误，需要给占位符一个输入；一般传入一个字典，key为占位符，value为占位符的值：
（2）传递多个值给一个占位符
使用循环传递：
（3） 检查tensor是否feedable
1.7.2 new way:tf.data
- 后面线性回归举例子；
1.8 trap of lazy loading
一个不是bug的bug – ‘lazy loading’
在tensorflow中，直到你需要一个op才会创建它；
例如：
x = tf.Variable(10,name = 'x')
y = tf.Variable(20,name = 'y')
z = tf.add(x,y)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
writer = tf.summary.FileWriter('graphs/normal_loading',sess.graph)
for _ in range(10):
sess.run(z)
writer.close()
在循环中：
x = tf.Variable(10, name='x')
y = tf.Variable(20, name='y')
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
writer = tf.summary.FileWriter('graphs/lazy_loading', sess.graph)
for _ in range(10):
sess.run(tf.add(x, y))
print(tf.get_default_graph().as_graph_def())
writer.close()
第一个只有一个add节点，结果为：
node {
name: "Add"
op: "Add"
input: "x/read"
input: "y/read"
attr {
key: "T"
value {
type: DT_INT32
}
}
}
而第二种有多个add节点：
- 如果不注意，就会在graph中添加很多节点；