tensolrflow中get_variable和tf.Variable区别_c++ tensolrflow-优快云博客

本文链接：https://blog.youkuaiyun.com/zhaojianting/article/details/80570533

本文详细探讨了TensorFlow中tf.Variable和tf.get_variable的区别。tf.Variable主要用于创建新变量，而tf.get_variable则涉及变量的复用和命名空间管理。在使用tf.get_variable时，通过设置reuse参数可以控制是否重复使用或创建新的变量，常与tf.variable_scope结合以实现变量共享。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

技术交流qq群： 659201069

　　先来看下二者的定义：
　　
Variable：必须给定的参数只有一个initial_value，如果名字没指定会自己生成一个Variable:0类似于此

  def __init__(self,
               initial_value=None,
               trainable=True,
               collections=None,
               validate_shape=True,
               caching_device=None,
               name=None,
               variable_def=None,
               dtype=None,
               expected_shape=None,
               import_scope=None):

get_variable：必须给定的参数只有name

def get_variable(name,
                 shape=None,
                 dtype=None,
                 initializer=None,
                 regularizer=None,
                 trainable=True,
                 collections=None,
                 caching_device=None,
                 partitioner=None,
                 validate_shape=True,
                 use_resource=None,
                 custom_getter=None):

　　tf.Variable是用于生成一个新的变量，tf.get_variable是获取一个已经存在的变量，如果不存在再重建，在tensorflow中每个变量都有一个scope也就是命名空间，一个变量要的全名由scope和name唯一确定，因为tf.Variable不涉极变量复用问题，命名空间意义不是太明显，只有在用tf.get_variable时才会体会用命名空间的作用。
　　

tf.Variable看使用详解：

import tensorflow as tf;
import numpy as np;
import matplotlib.pyplot as plt;

a1 = tf.Variable(initial_value=[[1.0,2.0,3.0],[1.0,2.0,3.0]],name="a1")
a2 = tf.Variable(initial_value=[[1.0,2.0,3.0],[1.0,2.0,3.0]],name="a2")
a3 = tf.Variable(initial_value=[[1.0,2.0,3.0],[1.0,2.0,3.0]],name="a1")
with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(sess.run(a1))
        print(sess.run(a2))
        print(sess.run(a3))
        print(a1)
        print(a2)
        print(a3)

输出如下所示：
这里写图片描述
　此处没有调用with tf.variable_scope(“scope_1”):，可以认为所有变量的scope为空，a3定义时name=”a1”,在这种情况下tensorflow会把a3重命名。也就是tf.Variable无论何时都能创建成功，无论是否有同名变量
　
　　

tf.get_variable使用详解：

# a1 = tf.get_variable(name='a1', shape=[2, 3], initializer=tf.random_normal_initializer(mean=0, stddev=1))
with tf.Session() as sess:
    with tf.variable_scope("scope_1", reuse=False):
        a1 = tf.get_variable(name='a1', shape=[2, 3], initializer=tf.random_normal_initializer(mean=0, stddev=1))
        # a1 = tf.get_variable(name='a1')
        sess.run(tf.global_variables_initializer())
        print(sess.run(a1))

输出如下所示：
这里写图片描述

　把with tf.variable_scope(“scope_1”, reuse=False):中的resue设为True则上面的代码运行报错，这说明只有当 reuse=False时才可以创建变量， reuse=True时只能获取已有的变量或者通过tf.Variable创建新的变量，使用tf.get_variable一般都是和with tf.variable_scope(“scope_1”, reuse=True)配合使用的,共享已有变量，如果需要新变量则通过tf.Variable来创建