TensorFlow图变量tf.Variable的用法解析

目录

1. 图变量的初始化方法
2. 两种定义图变量的方法
3. scope如何划分命名空间
4. 图变量的复用
5. 图变量的种类

1.图变量的初始化方法

对于一般的Python代码，变量的初始化就是变量的定义，向下面这样：

In [1]: x = 3
In [2]: y = 3 * 5
In [3]: y
Out[3]: 15

• 1
• 2
• 3
• 4

如果我们模仿上面的写法来进行TensorFlow编程，就会出现下面的”怪现象”：

In [1]: import tensorflow as tf
In [2]: x = tf.Variable(3, name='x')
In [3]: y = x * 5
In [4]: print(y)
Tensor("mul:0", shape=(), dtype=int32)

• 1
• 2
• 3
• 4
• 5

y的值并不是我们预想中的15，而是一个莫名其妙的输出——”

In [1]: import tensorflow as tf
In [2]: x = tf.Variable(3, name='x')
In [3]: y = x * 5
In [4]: sess = tf.InteractiveSession()
In [5]: sess.run(tf.global_variables_initializer())
In [6]: sess.run(y)
Out[6]: 15

• 1
• 2
• 3
• 4
• 5
• 6
• 7

TensorFlow：变量的定义和初始化是分开的。

所有关于图变量的赋值和计算都要通过tf.Session的run来进行。想要将所有图变量进行集体初始化时应该使用tf.global_variables_initializer。

2.两种定义图变量的方法

tf.Variable

tf.Variable. init   ( 初始值(必须), trainable=True, collections=None, validate_shape=True, name=None  )

虽然有一堆参数，但只有第一个参数initial_value是必需的，用法如下（assign函数用于给图变量赋值）：

In [1]: import tensorflow as tf
In [2]: v = tf.Variable(3, trainable=True,name='v')
In [3]: v2 = v.assign(5)
In [4]: sess = tf.InteractiveSession()
In [5]: sess.run(v.initializer)
In [6]: sess.run(v)
Out[6]: 3
In [7]: sess.run(v2)
Out[7]: 5

  tf.get_variable

tf.get_variable(name,  shape, dtype,initializer)     name必须

initializer是变量初始化的方式，初始化的方式有以下几种：

                               tf.constant_initializer：常量初始化函数

                               tf.random_normal_initializer：正态分布

                               tf.truncated_normal_initializer：截取的正态分布

                               tf.random_uniform_initializer：均匀分布

                               tf.zeros_initializer：全部是0

                               tf.ones_initializer：全是1

                               tf.uniform_unit_scaling_initializer：满足均匀分布，但不影响输出数量级的随机值

当使用tf.get_variable定义变量时，如果出现同名的情况将会引起报错

In [1]: import tensorflow as tf
In [2]: with tf.variable_scope('scope'):
   ...:     v1 = tf.get_variable('var', [1])
   ...:     v2 = tf.get_variable('var', [1])
ValueError: Variable scope/var already exists, disallowed. Did you mean to set reuse=True in VarScope? Originally defined at:

• 1
• 2
• 3
• 4
• 5

而对于tf.Variable来说，却可以定义“同名”变量

In [1]: import tensorflow as tf
In [2]: with tf.variable_scope('scope'):
   ...:     v1 = tf.Variable(1, name='var')
   ...:     v2 = tf.Variable(2, name='var')
   ...:
In [3]: v1.name, v2.name
Out[3]: ('scope/var:0', 'scope/var_1:0')

tf.name_scope

当tf.get_variable遇上tf.name_scope，它定义的变量的最终完整名称将不受这个tf.name_scope的影响，如下：

In [1]: import tensorflow as tf
In [2]: with tf.variable_scope('v_scope'):
   ...:     with tf.name_scope('n_scope'):
   ...:         x = tf.Variable([1], name='x')
   ...:         y = tf.get_variable('x', shape=[1], dtype=tf.int32)
   ...:         z = x + y
   ...:
In [3]: x.name, y.name, z.name
Out[3]: ('v_scope/n_scope/x:0', 'v_scope/x:0', 'v_scope/n_scope/add:0')