TensorFlow基础教程：变量(Variables)的创建与初始化-优快云博客

本文链接：https://blog.youkuaiyun.com/gitblog_01032/article/details/148375797

TensorFlow基础教程：变量(Variables)的创建与初始化

TensorFlow-Course 项目地址: https://gitcode.com/gh_mirrors/ten/TensorFlow-Course

TensorFlow作为当前最流行的深度学习框架之一，其核心概念之一就是变量(Variables)。本文将深入讲解TensorFlow中变量的创建与初始化方法，帮助初学者掌握这一基础但至关重要的知识点。

为什么需要变量？

在深度学习中，变量是模型参数的载体。无论是神经网络的权重(weights)还是偏置(biases)，都是以变量的形式存在。变量与普通张量(Tensor)的关键区别在于：

变量在训练过程中会被优化器更新
变量可以被保存到检查点文件中，方便模型恢复
变量有明确的初始化机制

没有变量，深度学习模型的训练、参数更新、模型保存等核心功能都无法实现。

变量的创建

在TensorFlow中，我们使用tf.Variable()类来创建变量。创建变量时，我们需要提供两个关键信息：

变量的初始值（通常是一个张量）
变量的名称（可选，但推荐使用）

import tensorflow as tf
from tensorflow.python.framework import ops

# 创建三个不同类型的变量
weights = tf.Variable(tf.random_normal([2, 3], stddev=0.1), name="weights")
biases = tf.Variable(tf.zeros([3]), name="biases")
custom_variable = tf.Variable(tf.zeros([3]), name="custom")

上面的代码创建了三个变量：

weights: 使用正态分布随机初始化，形状为2×3
biases: 初始化为全零向量，长度为3
custom_variable: 同样初始化为全零向量

创建变量后，我们可以通过ops.get_collection()获取当前图中所有的变量：

all_variables_list = ops.get_collection(ops.GraphKeys.GLOBAL_VARIABLES)

变量的初始化

创建变量后，必须进行初始化才能使用。TensorFlow提供了多种初始化方式：

1. 全局初始化

最简单的方式是使用tf.global_variables_initializer()一次性初始化所有变量：

init_all_op = tf.global_variables_initializer()

这相当于：

init_all_op = tf.variables_initializer(var_list=all_variables_list)

2. 自定义初始化

有时我们只需要初始化部分变量：

variable_list_custom = [weights, custom_variable]
init_custom_op = tf.variables_initializer(var_list=variable_list_custom)

3. 基于已有变量初始化

新变量可以基于已有变量的初始值进行初始化：

WeightsNew = tf.Variable(weights.initialized_value(), name="WeightsNew")
init_WeightsNew_op = tf.variables_initializer(var_list=[WeightsNew])

运行初始化操作

定义了初始化操作后，必须在会话(Session)中运行这些操作才能真正初始化变量：

with tf.Session() as sess:
    sess.run(init_all_op)  # 初始化所有变量
    sess.run(init_custom_op)  # 初始化特定变量
    sess.run(init_WeightsNew_op)  # 初始化基于已有变量的新变量