自己開發了一個股票智慧分析軟體，功能很強大，需要的點選下面的連結獲取：

https://www.cnblogs.com/bclshuai/p/11380657.html

1.1 變數Variable

1.1.1 變數的宣告和使用

變數，它和佔位符的不同是它在定義時需要賦值，而且它的數值是可以在圖的計算過程中隨時改變的。因此，佔位符通常用作圖的輸入（即訓練資料），而變數用作圖中可以被“訓練”或“學習”的那些tensor，例如y=ax+b中的a和b。

通過變數類Variable來定義，使用之前需要初始化。想要將所有圖變數進行集體初始化時應該使用tf.global_variables_initializer，或者單個初始化。

_init_(self,

 initial_value=None,#初始值，張量或者能轉化為張量的python物件

 trainable=None,#True時，GradientTape梯度帶自動觀察這個變數的使用

 validate_shape=True,是否驗證初始值的shape，True驗證，False不驗證

 caching_device=None,可選填的裝置字串描述符，需要快取讀時設定，預設為變數裝置

 name=None,

 variable_def=None,

 dtype=None,

 import_scope=None,

 constraint=None,

 synchronization=VariableSynchronization.AUTO,

 aggregation=VariableAggregation.NONE,

 shape=None):

rand_t=tf.random.uniform([50,50],0,10,seed=0)#建立隨機常量陣列50行50列，最大值為10，最小值為0，隨機種子是0。以這個矩陣陣列作為變數的初始值。

t_a=tf.Variable(rand_t)

t_b= tf.Variable(rand_t)

r = tf.Variable(tf.random_normal([20, 10], stddev=0.35)) #以標準差0.35的正太分佈初始化一個形狀為[20，10]的張量

z = tf.Variable(tf.zeros([20])) #定義變數，一個形狀為[20]的張量， 裡面的元素值全部為0.

#sess.run(tf.global_variables_initializer())　　#所有變數初始化

sess.run(x.initializer) #單個變數初始化

1.1.2 變數的初始化

（1）常量宣告變數並初始化

tensorflow所有的變數在使用前都需要初始化。

下面這條語句用常量1賦值聲明瞭變數，但是沒有初始化。

import tensorflow as tf

ss = tf.compat.v1.Session()

d60 = tf.Variable(1, dtype=tf.float32, name='number1')

如果呼叫下面的語句，則會報錯，因為變數d60沒有初始化

d61 = tf.tan(d60)

print(ss.run(d61))

所以我們需要顯示初始化變數d60，才能輸出正確的資料。

ss.run(d60.initializer)

d61 = tf.tan(d60)

print(ss.run(d61))#輸出1.557

d60是定義的變數，而initializer是變數的初始化操作通過tensorflow的Session來執行這個操作，我們可以print(d60.initializer)來檢視這個操作是什麼？操作中包含了變數的d60的名稱，作為輸入，還有d60的型別。ss.run(d60.initializer)的作用就是執行變數d60的初始化操作，來初始化變數d60。感覺這個有點麻煩。

name: "number1/Assign"

op: "AssignVariableOp"

input: "number1"

input: "number1/Initializer/initial_value"

attr {

key: "dtype"

value {

type: DT_FLOAT

}

}

（2）變數宣告變數並初始化

宣告一個變數d62，以變數d60賦值。

d60 = tf.Variable(1, dtype=tf.float32, name='number1')

ss.run(d60.initializer)

d62 = tf.Variable(d60, dtype=tf.float32)# 

d63=tf.tan(d62)

同樣我們還要執行變數d62的初始化操作來初始化變數d62，否則執行d63還是會報錯。同樣d60的初始化操作ss.run(d60.initializer)仍然不能省略，否則會報錯。

print(ss.run(d62.initializer))

print(ss.run(d63)) 上面d60初始化要加，否則會報錯。

補充資訊：

如果要省略ss.run(d60.initializer)這一句，宣告變數d62時，可以採用下面的宣告方式

d62 = tf.Variable(d60.initialized_value(), dtype=tf.float32)

我們看看initialized_value函式的說明，意思就是返回初始化後的變數值。初始化另外一個變數時，使用這個來代替變數本身。

def initialized_value(self):

 """Returns the value of the initialized variable.



 You should use this instead of the variable itself to initialize another

 variable with a value that depends on the value of this variable.

但是使用這個函式，會有下面的警告。意思就是這個函式是tensorflow1.0的，後續可能會被廢棄。建議使用tensorflow2.0的函式read_value.

WARNING:tensorflow:From D:/Project/python/tensorflow/venv/src/caculate.py:72: Variable.initialized_value (from tensorflow.python.ops.variables) is deprecated and will be removed in a future version.

Instructions for updating:

Use Variable.read_value. Variables in 2.X are initialized automatically both in eager and graph (inside tf.defun) contexts.

用tensorflow2.0的函式read_value來初始化另外一個變數。2.X中得到變數都是自動初始化。改成read_value()

d62 = tf.Variable(d60.read_value(), dtype=tf.float32)
d63=tf.tan(d62.read_value())
print(d63)

報如下錯誤，本地的容器不存在或者變數未初始化，所以導致了失敗。

Error while reading resource variable number1 from Container: localhost. This could mean that the variable was uninitialized. Not found: Container localhost does not exist.

需要加上初始化語句才行

init_op = tf.compat.v1.global_variables_initializer()
print(ss.run(init_op))