声明变量主要有两种方法:<强>特遣部队。变量和<强> tf.get_variable 强,二者的最大区别是:
(1)特遣部队。变量是一个类,自带很多属性函数;而tf.get_variable是一个函数;
(2)tf.Variable只能生成独一无二的变量,即如果给出的名字已经存在,则会自动修改生成新的变量名称;
(3)tf.get_variable可以用于生成共享变量。默认情况下,该函数会进行变量名检查,如果有重复则会报错。当在指定变量域中声明可
以变量共享时,可以重复使用该变量(例如RNN中的参数共享)。
下面给出简单的的示例程序:
进口tensorflow特遣部队
与tf.variable_scope (scope1,重用=tf.AUTO_REUSE) scope1:
x1=tf.Variable (tf.ones ([1]), name=' x1 ')
x2=tf.Variable (tf.zeros ([1]), name=' x1 ')
日元=tf.get_variable(“日元”,初始化=1.0)
y2=tf.get_variable(“日元”,初始化=0.0)
init=tf.global_variables_initializer ()
与tf.Session税():
sess.run (init)
打印(x1.name x1.eval ())
打印(x2.name x2.eval ())
打印(y1.name y1.eval ())
打印(y2.name y2.eval ())
之前
输出结果为:
scope1/x1:0 [1]。
scope1/x1_1:0 [0]。
scope1/y1:0 1.0
scope1/y1:0 1.0
之前
<强> 1。tf.Variable(…)
tf.Variable(…)使用给定初始值来创建一个新变量,该变量会默认添加到图中列出集合,集合的默认为[GraphKeys.GLOBAL_VARIABLES] .
如果可训练的属性被设置为真,该变量同时也会被添加到图收集GraphKeys.TRAINABLE_VARIABLES。
# tf.Variable
__init__ (
initial_value=https://www.yisu.com/zixun/None
可训练的=True,=没有集合,
validate_shape=True,
caching_device=没有
name=没有,
variable_def=没有
dtype=没有
expected_shape=没有
import_scope=没有
约束=没有
）
之前
<强> 2。tf.get_variable(…)
tf.get_variable(…)的返回值有两种情形:
使用指定的初始化器来创建一个新变量;
当变量重用时,根据变量名搜索返回一个由特遣部队。get_variable创建的已经存在的变量;
get_variable (
的名字,=没有形状,
dtype=没有
初始值设定项=没有
调整=没有
可训练的=True,=没有集合,
caching_device=没有
瓜分者=没有
validate_shape=True,
use_resource=没有
custom_getter=没有
约束=没有
）
之前
<强> 3。根据名称查找变量
在创建变量时,即使我们不指定变量名称,程序也会自动进行命名。于是,我们可以很方便的根据名称来查找变量,这在抓取参数,整合模型等很多时候都很有用。
通过在tf.global_variables()变量列表中,根据变量名进行匹配搜索查找。该种搜索方式,可以同时找到由tf.Variable或者tf.get_variable创建的变量。
进口tensorflow特遣部队
x=tf.Variable (name=' x ')
y=tf.get_variable (name=' y ',形状=[1,2])
在tf.global_variables var ():
如果var.name==x: 0:
打印(var)
之前
利用get_tensor_by_name()同样可以获得由tf.Variable或者特遣部队。get_variable创建的变量。
需要注意的是,此时获得的是张量,而不是变量,因此x不等于x1。
进口tensorflow特遣部队
x=tf.Variable (name=' x ')
y=tf.get_variable (name=' y ',形状=[1,2])
图=tf.get_default_graph ()
x1=graph.get_tensor_by_name (x: 0)
日元=graph.get_tensor_by_name (y: 0)
之前
针对tf.get_variable创建的变量,可以利用变量重用来直接获取已经存在的变量。
与tf.variable_scope (“foo”):
bar1=特遣部队。get_variable(“酒吧”(2、3)#创建
特遣部队。variable_scope (“foo”,重用=True):
bar2=tf.get_variable(“酒吧”)#重用
特遣部队。variable_scope(" ",重用=True): # root变量作用域
bar3=tf.get_variable (foo/bar) #重用(相当于上面的)
打印((bar1 bar2)和(bar2 bar3))
之前
