我是TensorFlow的新手。我对tf.placeholder
和之间的区别感到困惑tf.Variable
。在我看来,tf.placeholder
用于输入数据,并tf.Variable
用于存储数据状态。这就是我所知道的。
有人可以向我详细解释他们之间的差异吗?特别是何时使用tf.Variable
和何时使用tf.placeholder
?
我是TensorFlow的新手。我对tf.placeholder
和之间的区别感到困惑tf.Variable
。在我看来,tf.placeholder
用于输入数据,并tf.Variable
用于存储数据状态。这就是我所知道的。
有人可以向我详细解释他们之间的差异吗?特别是何时使用tf.Variable
和何时使用tf.placeholder
?
Answers:
简而言之,您可以tf.Variable
为模型使用可训练的变量,例如权重(W)和偏差(B)。
weights = tf.Variable(
tf.truncated_normal([IMAGE_PIXELS, hidden1_units],
stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))), name='weights')
biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')
tf.placeholder
用于提供实际的培训示例。
images_placeholder = tf.placeholder(tf.float32, shape=(batch_size, IMAGE_PIXELS))
labels_placeholder = tf.placeholder(tf.int32, shape=(batch_size))
这是您在培训期间输入培训示例的方式:
for step in xrange(FLAGS.max_steps):
feed_dict = {
images_placeholder: images_feed,
labels_placeholder: labels_feed,
}
_, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)
您的 tf.variables
此次培训将对进行培训(修改)。
有关更多信息,请参见https://www.tensorflow.org/versions/r0.7/tutorials/mnist/tf/index.html。(示例摘自网页。)
tensorflow
和deep learning
和标签如何流行AI
。
不同之处在于tf.Variable
声明时必须提供一个初始值。有了它,tf.placeholder
您不必提供初始值,并且可以在运行时使用feed_dict
内部参数指定它Session.run
由于Tensor计算是由图组成的,因此最好根据图来解释两者。
以简单的线性回归为例
WX+B=Y
其中W
和B
代表的权重和偏见,X
对观测的投入和Y
用于观测输出。
显然,X
和Y
具有相同的性质(清单变量),与W
和B
(潜在变量)不同。X
和Y
是样本(观测值)的值,因此需要填充一个位置,而W
和B
是权重和偏差,图中的变量(先前的值会影响后者)应使用不同X
和Y
成对的变量进行训练。我们将不同的样本放置到占位符上以训练变量。
我们只需要保存或恢复的变量(检查站)保存或重建与代码的图形。
占位符主要是不同数据集(例如训练数据或测试数据)的占位符。但是,变量会在训练过程中针对特定任务进行训练,即预测输入的结果或将输入映射到所需的标签。它们保持不变,直到您使用不同或相同的样本重新训练或微调模型以通过dict 填充到占位符为止。例如:
session.run(a_graph, dict = {a_placeholder_name : sample_values})
占位符也作为参数传递给设置模型。
如果在训练过程中更改了模型的占位符(添加,删除,更改形状等),则仍可以重新加载检查点,而无需进行任何其他修改。但是,如果更改了已保存模型的变量,则应相应地调整检查点以重新加载它并继续进行训练(图中定义的所有变量都应在检查点中可用)。
总而言之,如果值来自样本(您已经拥有的观测值),则可以安全地放置占位符,而如果需要训练参数,则可以使用变量(简而言之,为所需的值设置变量)自动使用TF)。
在一些有趣的模型中,例如样式转换模型,将对输入像素进行优化,并固定通常称为模型的变量,然后我们应将输入(通常是随机初始化)作为在该链接中实现的变量。
有关更多信息,请推断出此简单的说明性文档。
tf.Variable和tf.placeholder之间最明显的区别是
您可以使用变量来保存和更新参数。变量是包含张量的内存缓冲区。必须对它们进行显式初始化,并且可以在培训期间和之后将其保存到磁盘。您以后可以恢复保存的值以执行或分析模型。
变量的初始化是通过进行的sess.run(tf.global_variables_initializer())
。同样在创建变量时,您需要将Tensor作为其初始值传递给Variable()
构造函数,并且在创建变量时,您始终会知道其形状。
另一方面,您无法更新占位符。它们也不应初始化,但是由于它们是承诺具有张量的,因此您需要将值提供给它们sess.run(<op>, {a: <some_val>})
。最后,与变量相比,占位符可能不知道形状。您可以提供部分尺寸,也可以完全不提供任何尺寸。
还有其他区别:
有趣的是,不仅可以喂占位符。您可以将值输入变量,甚至常量。
除了其他答案外,他们还在Tensoflow网站上的MNIST 教程中对此进行了很好的解释:
我们通过操纵符号变量来描述这些交互操作。让我们创建一个:
x = tf.placeholder(tf.float32, [None, 784])
,
x
不是特定值。它是一个占位符,当我们要求TensorFlow运行计算时将输入的值。我们希望能够输入任意数量的MNIST图像,每个图像均被展平为784维向量。我们将其表示为浮点数的二维张量,其形状为[None,784]。(此处无表示尺寸可以为任意长度。)我们还需要模型的权重和偏见。我们可以想象将它们像其他输入一样对待,但是TensorFlow拥有更好的处理方式:
Variable
。AVariable
是可修改的张量,位于TensorFlow的交互操作图中。计算可以使用甚至修改它。对于机器学习应用程序,通常将模型参数设为Variable
s。
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
我们
Variable
通过给出tf.Variable
的初始值来创建这些Variable
:在这种情况下,我们将初始化为,W
并将b
其初始化为零的张量。由于我们将学习W
和b
,所以它们最初的含义并不重要。
x
shape [batch size, features]
,权重从输入到大小的第一层[features, hidden units]
以及bias [hidden units]
。所以我的问题是:我们如何将它们相乘?如果我们这样做,tf.matmul(x, w)
那么我们将得到,[batch size, hidden units]
而我们将无法b
实现,因为它已定型[hidden units]
Tensorflow使用三种类型的容器来存储/执行过程
常数:常数保存典型数据。
variables:数据值将被更改,并带有相应的功能,例如cost_function。
占位符:培训/测试数据将传递到图形中。
示例片段:
import numpy as np
import tensorflow as tf
### Model parameters ###
W = tf.Variable([.3], tf.float32)
b = tf.Variable([-.3], tf.float32)
### Model input and output ###
x = tf.placeholder(tf.float32)
linear_model = W * x + b
y = tf.placeholder(tf.float32)
### loss ###
loss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares
### optimizer ###
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
### training data ###
x_train = [1,2,3,4]
y_train = [0,-1,-2,-3]
### training loop ###
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init) # reset values to wrong
for i in range(1000):
sess.run(train, {x:x_train, y:y_train})
顾名思义,占位符是对以后提供价值的承诺,即
变量只是培训参数(W
(矩阵),b
(偏差)),与您在日常编程中使用的普通变量相同,培训员会在每次运行/步骤中对其进行更新/修改。
尽管占位符不需要任何初始值,但当您创建x
并且y
TF不会分配任何内存时,而是稍后在您sess.run()
使用using 喂占位符时feed_dict
,TensorFlow会为其分配适当大小的内存(x
和y
)-这种不受限制的ness允许我们提供任何大小和形状的数据。
简而言之:
变量 -是您希望训练师(即GradientDescentOptimizer)在每个步骤之后更新的参数。
占位符演示-
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = a + b # + provides a shortcut for tf.add(a, b)
执行:
print(sess.run(adder_node, {a: 3, b:4.5}))
print(sess.run(adder_node, {a: [1,3], b: [2, 4]}))
产生输出
7.5
[ 3. 7.]
在第一种情况下,将3和4.5 分别传递给a
和b
,然后传递到输出7的adder_node。在第二种情况下,有一个供稿列表,第一步将添加步骤1和2,接下来是第3步和第4步(a
和b
)。
相关读物:
变数
TensorFlow变量是表示程序所控制的共享持久状态的最佳方法。变量通过tf.Variable类进行操作。在内部,tf.Variable存储持久性张量。特定操作允许您读取和修改此张量的值。这些修改在多个tf.Session中可见,因此多个工作人员可以看到同一tf.Variable值。使用前必须先初始化变量。
例:
x = tf.Variable(3, name="x")
y = tf.Variable(4, name="y")
f = x*x*y + y + 2
这将创建一个计算图。可以在张量流会话中初始化变量(x和y)并评估函数(f),如下所示:
with tf.Session() as sess:
x.initializer.run()
y.initializer.run()
result = f.eval()
print(result)
42
占位符
占位符是一个节点(与变量相同),其值可以在将来初始化。这些节点基本上在运行时输出分配给它们的值。可以使用tf.placeholder()类分配一个占位符节点,您可以向其提供参数,例如变量的类型和/或其形状。随着训练数据集不断变化,占位符广泛用于表示机器学习模型中的训练数据集。
例:
A = tf.placeholder(tf.float32, shape=(None, 3))
B = A + 5
注意:尺寸的“无”表示“任何尺寸”。
with tf.Session as sess:
B_val_1 = B.eval(feed_dict={A: [[1, 2, 3]]})
B_val_2 = B.eval(feed_dict={A: [[4, 5, 6], [7, 8, 9]]})
print(B_val_1)
[[6. 7. 8.]]
print(B_val_2)
[[9. 10. 11.]
[12. 13. 14.]]
参考文献:
将Variable
tensorflow中的正常变量视为我们在编程语言中使用的普通变量。我们初始化变量,以后也可以对其进行修改。虽然placeholder
不需要初始值。占位符只是分配内存块以供将来使用。稍后,我们可以使用feed_dict
将数据输入placeholder
。默认情况下,placeholder
它具有不受约束的形状,这使您可以在会话中提供不同形状的张量。您可以通过传递可选参数-shape来限制形状,如下所述。
x = tf.placeholder(tf.float32,(3,4))
y = x + 2
sess = tf.Session()
print(sess.run(y)) # will cause an error
s = np.random.rand(3,4)
print(sess.run(y, feed_dict={x:s}))
在执行机器学习任务时,大多数时候我们不知道行数,但是(假设)我们知道功能或列数。在这种情况下,我们可以使用None。
x = tf.placeholder(tf.float32, shape=(None,4))
现在,在运行时,我们可以提供具有4列和任意行数的任何矩阵。
此外,占位符还用于输入数据(它们是我们用于馈送模型的变量的一种),其中,变量是参数,例如我们随时间训练的权重。
占位符:
占位符只是一个变量,稍后我们将为其分配数据。它使我们无需数据即可创建操作并构建计算图。在TensorFlow术语中,我们然后通过这些占位符将数据输入到图中。
初始值不是必需的,但可以具有默认值 tf.placeholder_with_default)
我们必须在运行时提供价值,例如:
a = tf.placeholder(tf.int16) // initialize placeholder value
b = tf.placeholder(tf.int16) // initialize placeholder value
use it using session like :
sess.run(add, feed_dict={a: 2, b: 3}) // this value we have to assign at runtime
变量:
范例: tf.Variable("Welcome to tensorflow!!!")
Tensorflow 2.0兼容的答案:占位符的概念tf.placeholder
在Tensorflow 2.x (>= 2.0)
默认情况下不可用,因为默认执行模式为急切执行。
但是,如果用于Graph Mode
(Disable Eager Execution
),我们可以使用它们。
版本2.x中TF占位符的等效命令为tf.compat.v1.placeholder
。
版本2.x中的TF变量的等效命令为tf.Variable
,如果要将代码从1.x迁移到2.x,则等效命令为
tf.compat.v2.Variable
。
请参考此Tensorflow页面以获取有关Tensorflow版本2.0的更多信息。
想想一个计算图。在这样的图中,我们需要一个输入节点将数据传递到图中,这些节点应在tensorflow中定义为Placeholder 。
不要认为它是Python中的通用程序。您可以编写一个Python程序并通过变量来完成其他答案中其他人解释的所有工作,但是对于tensorflow中的计算图,要将数据输入到图,则需要将这些点定义为占位符。
Variable
s的渐变,而不是相对于s的 渐变placeholder
(必须始终提供其值)。