Tensorflow基础-张量（tensors）

cons = tf.constant(value=[1,2],dtype=tf.float32,shape=(1,2),name='testConstant',verify_shape=False)1

value：初始值，必填，必须是一个张量（1或[1,2,3]或[[1,2,3],[2,2,3]]或……）。 
dtype:数据类型，选填，默认为value的数据类型，传入参数为tensotflow下的枚举值(float32,float64….)。 
shape：数据形状，选填，默认为value的shape，设置时不得比value小，可以比value阶数，纬度更高，超过部分按value提供最后一个数字填充。 
name:常量，选填，默认值不重复，根据创建顺序为（Const，Const_1，Const_2…….）。 
verify_shape:是否验证value的shape和指定shape相符，若设为True则进行验证，不相符时会抛出异常。

cons = tf.constant(1)
print(cons)
with tf.Session() as sess:
    print(sess.run(cons))
output:
Tensor("Const:0", shape=(), dtype=int32)
1

x = tf.placeholder(dtype=tf.float32,shape=[144,10],name = 'x')

dtype:数据类型，必填，默认为value的数据类型，传入参数为tensorflow下的枚举值(float32,float64…..)。 
shape:数据类型，选填，不填则随传入数据的形状自行变动，可以在多次调用中传入不同形状的数据。 
name:常量名，选填，默认值不重复，根据创建顺序为（Placeholder，Placeholder_1，Placeholder_2…….）.

placeholder1 = tf.placeholder(tf.float32)
print(placeholder1)
#:Tensor("Placeholder_1:0", dtype=float32)

with tf.Session() as sess:
    print(session.run(placeholder1))
  #:ERROR
可以发现，sess.run直接调用placeholder1会报错
with tf.Session() as sess:
    print(sess.run(placeholder1,feed_dict={placeholder1: 6.6}))
    #6.6

init__(
    initial_value=None, # Tensor或可转换为Tensor的Python对象，它是Variable的初始值。除非validate_shape设置为False，否则初始值必须具有指定的形状。也可以不指定初始值，在调用时返回初始值。在这种情况下，必须指定dtype。
    trainable=True, # 如果为True，则默认值也会将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES中。此集合用作Optimizer类使用的默认变量列表。
    collections=None, # 图表集合键列表。新变量将添加到这些集合中。默认为[GraphKeys.GLOBAL_VARIABLES]。
    validate_shape=True, # 如果为False，则允许使用未知形状的值初始化变量。如果为True，则默认为initial_value的形状必须已知。
    caching_device=None, # 可选设备字符串，描述缓存变量供读取的位置。默认为Variable的设备。如果不是None，则在其他台设备上缓存。典型用法是在使用变量驻留的Ops的设备上进行缓存，以通过Switch和其他条件语句进行重复数据删除。
    name=None, # 变量的可选名称。默认为“Variable”并获取自动去重（Variable_1,Variable_2....）
    variable_def=None, # VariableDef协议缓冲区。如果不是None，引用图中已存在的变量节点容重新创建Variable对象。图表未更改。 variable_def和其他参数是互斥的。
    dtype=None, # 如果设置，则initial_value将转换为给定类型。如果为None，则保留数据类型（如果initial_value为Tensor），或者由convert_to_tensor决定。
    expected_shape=None, # TensorShape。如果设置，则initial_value应具有此形状。
    import_scope=None, # 可选字符串。要添加到变量的名称范围。仅在从协议缓冲区初始化时使用。
    constraint=None, # 由优化器更新后应用于变量的可选投影函数（例如，用于实现层权重的范数约束或值约束）。该函数以未投影的Tensor作为输入，并返回Tensor的投影值（必须具有相同的形状）。在进行异步分布式培训时，使用约束是不安全的。
    use_resource=None, # 是否使用资源变量。
    synchronization=tf.VariableSynchronization.AUTO, # 未使用
    aggregation=tf.VariableAggregation.NONE # 未使用
)

var1 = tf.Variable(10)
print(var1)
#:<tf.Variable 'Variable_5:0' shape=() dtype=int32_ref>


with tf.Session() as sess:
    print(sess.run(var1,{var1:123}))
    #:123

tf.Variable：表示变量，运行时可以改变。主要用于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏置值（bias）；
声明时，必须提供初始值。
运行时，必须初始化。 可以用sess.run(tf.global_variables_initializer())初始化所有变量。
tf.placeholder：表示张量（最少有一维，即最少含有一组中括号），运行时不可改变。用于得到传递进来的真实的训练样本：
声明时，不指定初始值
运行时，需要赋值。 通过 Session.run 的函数的 feed_dict 参数指定
tf.constan：表示常量，运行时不可改变。