tensorflow变量相关问题记录（模型中的变量如何在 train/ valid/ test 过程中共享？）

原创已于 2022-01-27 15:03:29 修改 · 1.4k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #python #人工智能

于 2022-01-27 15:02:37 首次发布

知识积累专栏收录该内容

23 篇文章

订阅专栏

本文介绍TensorFlow中的变量管理方法，包括命名空间的使用、变量的创建方式及其初始化过程，并探讨了tf.placeholder()、tf.Variable()与tf.get_variable()的区别及应用场景。

部署运行你感兴趣的模型镜像

                    
                    tensorflow 中的命名空间
tf.name_scope(): 为了更好地管理变量的命名空间而提出的。比如在 tensorboard 中，因为引入了 name_scope， Graph 看起来才井然有序
tf.variable_scope(): 通过 tf.get_variable()为变量名指定命名空间.

tensorflow 创建变量的三种方式
tf.placeholder() ：占位符
tf.Variable() ：一般变量用这种方式定义。
tf.get_variable() ：一般都是和 tf.variable_scope() 配合使用，从而实现变量共享的功能。

tf.get_variable()和tf.Variable()的区别如下：
tf.Variable()在定义的时候必须初始化，而tf.get_variable()定义的时候可以先不进行初始化操作。
想要进行变量共享，必须使用tf.get_variable()实现，搭配命名空间，以及reuse关键字的使用，就可以实现变量的共享；而tf.Variable()每次都会生成一个新的变量。

tensorflow中的变量初始化
在会话中使用sess.run()进行初始化
sess.run(tf.global_variables_initializer())  # 初始化全局变量
sess.run(tf.local_variables_initializer())  # 初始化本地变量

在定义的时候进行初始化：
tf.get_variable(name=‘fm1’, shape = [dim, 1], initializer= tf.random_uniform_initializer(minval = 0, maxval = 0.1))

初始化部分指定变量 sess.run(tf.variables_initializer(var_list))
var_list是需要初始化的变量列表

tensorflow获取变量：
获取所有全局变量：tf.global_variables()
获取所有训练变量：tf.trainable_variables()
通过参数名称获取对应的值：tf.get_default_graph().get_tensor_by_name(“conv1/b:0”)