tensorflow保存变量的本质

最新推荐文章于 2019-12-18 19:27:55 发布

头发光了你就强了

最新推荐文章于 2019-12-18 19:27:55 发布

阅读量312

点赞数

CC 4.0 BY-SA版权

分类专栏： PythonLearn 深度学习文章标签： tensorflow

本文链接：https://blog.youkuaiyun.com/qq_33345917/article/details/84992252

PythonLearn 同时被 2 个专栏收录

85 篇文章

订阅专栏

深度学习

65 篇文章

订阅专栏

本文探讨了在TensorFlow中使用tf.Variable时命名的重要性，解释了如何通过自定义变量名来简化模型保存与加载的过程。当变量未被命名时，系统会自动分配名称，这可能在变量提取时造成不便。通过实例演示了命名变量与未命名变量的区别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前面博客已经说过，tf.Variable的本质就是C++变量或者数组，所以在声明变量时，最好自己给定变量一个名字，如下代码：
import tensorflow as tf
import numpy as np
w = tf.Variable([[11,12,13],[22,23,25]],dtype=tf.float32,name=“w”)
save = tf.train.Saver()
with tf.Session() as sess:
sess.run(init)
save_path = save.save(sess,“my_net/save_net.ckpt”)
print(“保存路径：”,save_path)
执行sess.run(init后，相当于执行c++代码：float w[2][3]={{11,12,13},{22,23,25}}
tensorflow保存变量实际上是保存的C++ 浮点二维数组w
如果声明tf.Variable时，不给名字，tensorflow会给一个名字，以后提取变量时，不能根据变量名字提取变量值，太依赖变量声明的顺序

看代码：
import tensorflow as tf
import numpy as np

data1=tf.Variable([1,2,3],dtype=tf.int32)
data2=tf.Variable([1,2,3],dtype=tf.int32,name=“data2”)
data3=tf.Variable([1,2,3],dtype=tf.int32)
data4=tf.Variable([1,2,3],dtype=tf.int32)

init = tf.global_variables_initializer()

with tf.Session() as sess:
sess.run(init)
print(data1)
print(data2)
print(data3)
print(data4)
输出为：
<tf.Variable ‘Variable:0’ shape=(3,) dtype=int32_ref>
<tf.Variable ‘data2:0’ shape=(3,) dtype=int32_ref>
<tf.Variable ‘Variable_1:0’ shape=(3,) dtype=int32_ref>
<tf.Variable ‘Variable_2:0’ shape=(3,) dtype=int32_ref>
变量data1,data3,data4的名字为系统给定的，data2的名字为自己给定的，系统的给定的名字格式为：Variable_n:0，其中n与变量声明的顺序有关