TensorFlow 之tf.placeholder()

tf.placeholder(
    dtype,
    shape=None,
    name=None
)
# In[]
#dtype:被填充的张量(Tensor)的元素类型。
#shape:被填充张量(Tensor)的形状(可选参数)。如果没有指定张量(Tensor)打形状,你可
#以填充该张量(Tensor)为任意形状。
#name:为该操作提供一个名字(可选参数)。
import tensorflow as tf

# 定义placeholder
input1 = tf.placeholder(tf.float32,shape=(1, 2),name="input-1")
input2 = tf.placeholder(tf.float32,shape=(2, 1),name="input-2")

# 定义矩阵乘法运算(注意区分matmul和multiply的区别:matmul是矩阵乘法,multiply是点乘)
output = tf.matmul(input1, input2)

# 通过session执行乘法运行
with tf.Session() as sess:
    # 执行时要传入placeholder的值
    print(sess.run(output, feed_dict = {input1:[1,2], input2:[3,4]}))
    # 最终执行结果 [11]

原文地址:https://www.cnblogs.com/hsy1941/p/11751883.html

时间: 2024-11-09 02:56:19

TensorFlow 之tf.placeholder()的相关文章

TensorFlow 辨异 —— tf.placeholder 与 tf.Variable

二者的主要区别在于: tf.Variable:主要在于一些可训练变量(trainable variables),比如模型的权重(weights,W)或者偏执值(bias): 声明时,必须提供初始值: 名称的真实含义,在于变量,也即在真实训练时,其值是会改变的,自然事先需要指定初始值:  weights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stddev=1./math.sqrt(float(IMAGE_

tf.placeholder使用说明

tf.placeholder(dtype, shape=None, name=None) placeholder,占位符,在tensorflow中类似于函数参数,运行时必须传入值. dtype:数据类型.常用的是tf.float32,tf.float64等数值类型. shape:数据形状.默认是None,就是一维值,也可以是多维,比如[2,3], [None, 3]表示列是3,行不定. name:名称. 代码片段-1(计算3*4=12) [python] view plain copy #!/u

TensorFlow之tf.nn.dropout():防止模型训练过程中的过拟合问题

一:适用范围: tf.nn.dropout是TensorFlow里面为了防止或减轻过拟合而使用的函数,它一般用在全连接层 二:原理: dropout就是在不同的训练过程中随机扔掉一部分神经元.也就是让某个神经元的激活值以一定的概率p,让其停止工作,这次训练过程中不更新权值,也不参加神经网络的计算.但是它的权重得保留下来(只是暂时不更新而已),因为下次样本输入时它可能又得工作了 三:函数介绍: tf.nn.drop(x,  keep_prob, noise_shape=None, seed=Non

tf.placeholder

tf.placeholder tf.placeholder(    dtype,    shape=None,    name=None) Inserts a placeholder for a tensor that will be always fed. Important: This tensor will produce an error if evaluated. Its value must be fed using the feed_dict optional argument t

tensorflow中的placeholder()

tensorflow 中在运行时动态设置某个变量的值,先使用placeholder占位.运行时动态给占位符"喂"数据. 用tf.placeholder占位 import tensorflow as tf a = tf.placeholder(tf.float32, name = "input_1") b = tf.placeholder(tf.float32, name = "input_2") output = tf.multiply(a, b

[Tensorflow]激励函数tf.nn.relu样例

代码: import tensorflow as tf import numpy as np ### 定义添加神经网络层函数 START ### def add_layer(inputs,in_size,out_size,activation_function=None): """描述: 添加神经网络层函数. :param inputs: 输入神经层 :param in_size: 输入神经层的神经元个数 :param out_size: 输出神经层的神经元个数 :param

tf.placeholder函数说明

函数形式:tf.placeholder(    dtype,    shape=None,    name=None)参数:dtype:数据类型.常用的是tf.float32,tf.float64等数值类型shape:数据形状.默认是None,就是一维值,也可以是多维(比如[2,3], [None, 3]表示列是3,行不定)name:名称为什么要用placeholder?       Tensorflow的设计理念称之为计算流图,在编写程序时,首先构筑整个系统的graph,代码并不会直接生效,这

TensorFlow之tf.unstack学习循环神经网络中用到!

unstack( value, num=None, axis=0, name='unstack' ) tf.unstack() 将给定的R维张量拆分成R-1维张量 将value根据axis分解成num个张量,返回的值是list类型,如果没有指定num则根据axis推断出! DEMO: import tensorflow as tf a = tf.constant([3,2,4,5,6]) b = tf.constant([1,6,7,8,0]) c = tf.stack([a,b],axis=0

TensorFlow基础——tf.Variable()和tf.constant()

tf.Variable()生成变量 tf.constant()生成常量 变量需要初始化: init = tf.initialize_all_variables() sess.run(init) 1 import tensorflow as tf 2 3 state = tf.Variable(0,name='counter') 4 print(state.name) 5 one = tf.constant(1) 6 7 new_value = tf.add(state,one) 8 update