Tensorflow函数：tf.Variable()

一. 函数的作用

该函数的主要功能是声明一个变量，用于生成一个初始值为initial-value的变量，必须指定初始化值！！

(与tf.get_variable()的区别详见其他博客)

二. 函数的参数说明

1. 函数的整体结构如下：

tf.Variable(initial_value, trainable, collections, validate_shape, caching_device, name, variable_def, dtype, 

                 expected_shape, import_scope, shape)

2. 函数中的各个参数解释如下：

• initial_value: 初始化变量值，默认值None，通常可以搭配tensorflow 随机生成函数，常见的生成函数如下：

随机生成函数：

        tf.random_normal(shape, mean, stddev, dtype, seed, name)

        tf.truncated_normal(shape, mean, stddev, dtype, seed, name)

        tf.random_uniform(shape, minval, maxval, dtype, seed, name)

        tf.random_gamma(shape, alpha, brta, dtype, seed, name)

固定生成函数：

         tf.zeros(shape, dtype, name)

         tf.ones(shape, dtype, name)

         tf.fill(dims, value, name)

         tf.constant(value, dtype, shape, name, verify_shape)

• trainable: 若为‘True’，则该变量为可训练变量，自动被加入GraphKeys.TRAINABLE_VARIABLES。
• coolections: 为一个集合列表的关键字，新变量将被添加到这个集合中，默认[GraphKeys.GLOBAL_VARIABLES]。
• validate_shape: 默认为True，表示该变量的形状不接受更改。
• caching_device: 可选设备字符串，描述应该缓存变量以供读取的位置。
• name: 定义该变量的名称，默认为“Variable”并自动获取。
• dtype: 定义该变量的数据类型，如果设置，则initial_value将转换为给定类型。
• expected_shape: 为TensorShape。如果设置，则initial_value应具有此形状。
• import_scope: 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。
• shape: 定义该变量的数据形状，若搭配tensorflow 随机生成函数使用，则该参数一般忽略

注：a. 各个参数的解释可以参考相关博客

b. 可以通过tf.all_variables()函数查看所有变量，通过tf.trinable_variable()函数查看可训练变量

三. 函数的使用

1. 采用tf.Variable()进行变量创建

#*******************************导入相关模块***********************************#
import tensorflow as tf
import numpy as np

#*******************************声明两个变量***********************************#
x1 = tf.Variable(tf.random_normal([2,3], mean=0, stddev=0.1), trainable=True, name='x1')
x2 = tf.Variable(tf.constant([1,2,3,4]))

#********************************创建会话*************************************#
with tf.Session() as sess:
    #-------------------变量进行初始化
    init_op = tf.global_variables_initializer()
    sess.run( init_op )
    #-------------------输出变量及名称
    print( sess.run(x1) )
    print( x1.op.name )
    print( sess.run(x2) )
    print( x2.op.name )


#--------------------模型的输出
[[-0.07220871 -0.01207301  0.10254947]
 [ 0.11671194  0.02199386 -0.03869385]]

x1

[1 2 3 4]

Variable