python tensorflow人脸识别,Python3+TensorFlow打造人脸识别智能小程序

  python tensorflow人脸识别,Python3+TensorFlow打造人脸识别智能小程序

  这篇文章主要为大家介绍了大蟒人工智能张量流函数tf。赋值使用方法,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪

  

目录

参数数量及其作用例子

 

  

参数数量及其作用

 

  该函数共有五个参数,分别是:

  被赋值的变量裁判员要分配给变量的值价值,是否验证形状验证形状是否进行锁定保护使用锁定名称名称定义赋值(ref,value,validate_shape=None,use_locking=None,name=None)

  通过为"参考"赋值来更新“裁判”.

  该操作输出一个张量,它保存"参考"的新值

  该值已被赋值。这使得连锁经营更加容易

  需要使用重置值。

  Args:

  一个可变的张量。

  应该来自"变量"节点。可能未初始化。

  一个"张量"。必须与"参考"具有相同的类型。

  要分配给变量的值。

  验证_形状:可选的布尔.默认为"真"。

  如果为真,操作将验证形状

  "值"与被赋值的张量的形状相匹配。如果为假,

  "参考"将采用“价值”的形状。

  使用_锁定:作为可选的布尔.默认为"真"。

  如果为真,赋值将被锁保护;

  否则,行为是未定义的,但可能表现出较少的争用。

  操作的名称(可选)。

  返回:

  一个"张量",它将保存"参考"的新值

  任务已经完成。

  该函数的作用是将一个要分配给变量的值价值赋予被赋值的变量裁判,用于张量流各个参数的变量赋值。

  

例子

 

  该例子将举例如何进行变量之间的数据赋值和如何进行集合间的数据赋值。

  将张量流作为法国南部(French Southern Territories的缩写)导入;

  将数组作为铭牌导入;

  c1=[c1 ,tf .图形键。全局变量]

  c2=[c2 ,tf .图形键。全局变量]

  #常量初始化器

  v1 _ cons=TF。get _ variable( v1 _ cons ,dtype=tf.float32,shape=[1,4],初始值设定项=tf。constant _ initializer(),collections=c1)

  v2 _ cons=TF。get _ variable( v2 _ cons ,dtype=tf.float32,shape=[1,4],初始值设定项=tf。constant _ initializer(9),集合=c1)

  #正太分布初始化器

  v1_nor=tf.get_variable(v1_nor ,dtype=tf.float32,shape=[1,4],初始值设定项=tf。random _ normal _ initializer(均值=0,标准偏差=5),集合=c2)

  v2_nor=tf.get_variable(v2_nor ,dtype=tf.float32,shape=[1,4],初始值设定项=tf。random _ normal _ initializer(均值=0,标准偏差=5),集合=c2)

  assign1=tf.assign(v1_cons,v2_cons) #将v2_cons赋予v1_cons

  C1 _ get=TF。get _ collection( C1 )#获得c1集合

  C2 _ get=TF。get _ collection( C2 )#获得c2集合

  assign2=[tf.assign(cg1,cg2) for cg1,cg2 in zip(c1_get,c2_get) ] #将c2赋予c1

  用tf .会话()为sess:

  sess。运行(TF。global _ variables _ initializer()

  print(v1_cons: ,sess.run(v1_cons))

  print(v2_cons: ,sess.run(v2_cons))

  print(sess.run(assign1)) #显示赋值后的结果

  打印(将v2_cons赋予v1_cons: ,sess.run(v1_cons))

  print(c1_get_collection: ,sess.run(c1_get))

  print(c2_get_collection: ,sess.run(c2_get))

  print(sess.run(assign2)) #显示赋值后的结果

  打印(将c2赋予c1: ,sess.run(c1_get))

  其输出为:

  v1_cons: [[0 .0.0.0.]]

  v2_cons: [[9 .9.9.9.]]

  [[9.9.9.9.]]

  将v2_cons赋予v1_cons: [[9 .9.9.9.]]

  C1 _ get _ collection :[array([[9 . 9. 9. 9.]],dtype=float32),数组([[9。 9. 9. 9.]],dtype=float32)]

  C2 _ get _ collection :[数组([-3.9746916,-7.5332146,2.4480317,-1.3282107]],dtype=float32),数组([[10.687443,3.6653206,1.7079141,-4.524155 ]],dtype=float32)]

  [数组([-3.9746916,-7.5332146,2.4480317,-1.3282107]],dtype=float32),数组([[10.687443,3.6653206,1.7079141,-4.524155 ]],dtype=float32)]

  给c2到c1: [array ([-3.9746916,-7.5332146,2.4480317,-1.3282107]],dtype=float32),array ([10.687443,3.6653206,1

  以上就是如何使用python人工智能tensorflow函数tf.assign的详细内容,关于tensorflow函数tf.assign的更多信息,请关注盛行IT软件开发工作室的其他相关文章!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: