（第一章第五部分）TensorFlow框架之变量OP

 

系列博客链接：

（一）TensorFlow框架介绍：https://www.cnblogs.com/kongweisi/p/11038395.html

（二）TensorFlow框架之图与TensorBoard：https://www.cnblogs.com/kongweisi/p/11038517.html

（三）TensorFlow框架之会话：https://www.cnblogs.com/kongweisi/p/11038550.html

（四）TensorFlow框架之张量：https://www.cnblogs.com/kongweisi/p/11039237.html

 

本文概述：

• 说明变量op的特殊作用
• 说明变量op的trainable参数的作用
• 应用global_variables_initializer实现变量op的初始化

 

1、变量

TensorFlow变量是表示程序处理的共享持久状态的最佳方法。变量通过 tf.Variable OP类以及tf.get_variable()类进行操作。

变量的特点：

• 存储持久化
• 可修改值
• 可指定被训练

1.1 创建变量

• tf.Variable(initial_value=None, trainable=True, collections=None, name=None)
  • initial_value:初始化的值
  • trainable:是否被训练
  • collections：新变量将添加到列出的图的集合中collections，默认为[GraphKeys.GLOBAL_VARIABLES]，如果trainable是True变量也被添加到图形集合 GraphKeys.TRAINABLE_VARIABLES

# 特殊的创建张量OP
# 1、必须手动初始化
var = tf.Variable(tf.random_normal([2, 2], mean=0.0, stddev=1.0), name="var", trainable=True)

with tf.Session() as sess:
    sess.run(var)

• 变量需要显示初始化，才能运行值

# 添加一个初始化变量的OP
# 1、变量显示初始化
init_op = tf.global_variables_initializer()

with tf.Session() as sess:
    # 2、运行初始化变量的OP
    sess.run(init_op)
　　 # 或者直接这么做 sess.run(tf.global_variables_initializer())

1.2 变量OP的方法

　

给变量赋值一个新的值，返回一个新的变量

• new_var = assign(value)   原变量变化
• new_var = assign_add(delta)  原变量不变

var = tf.Variable(tf.random_normal([2, 2], mean=0.0, stddev=1.0), name="var", trainable=True)
# 给变量赋值一个新的值
var1 = var.assign([[2, 3], [4, 5]])

# 初始化变量OP
init_op = tf.global_variables_initializer()

# 给变量在原值的基础上，加上新的值
va = var.assign_add([[1, 3], [4, 5]]) 

with tf.Session() as sess: 

　　# 运行初始化op  
　　sess.run(init_op) 
　　print(sess.run(va)) 
　　print(sess.run(var))

关于变量的被训练，我会在后面的线性回归案例当中介绍

2、命名空间与共享变量

共享变量的主要用途在一些网络当中的参数共享， 由于在TensorFlow当中，只要我们定义的不同OP, 即使name参数指定一样，但实际上也并不是同一个变量。

如果想要达到重复利用变量的效果，我们就要使用tf.variable_scope()结合tf.get_variable()一起使用

2.1 定义一个相同名字的变量

var = tf.Variable(name='var', initial_value=[4], dtype=tf.float32)
var_double = tf.Variable(name='var', initial_value=[4], dtype=tf.float32)

<tf.Variable 'var:0' shape=() dtype=float32_ref>
<tf.Variable 'var_1:0' shape=() dtype=float32_ref>

2.2 使用tf.variable_scope()修改OP命名空间

会在OP的名字前面增加命名空间的指定名字

with tf.variable_scope("name"):
    var = tf.Variable(name='var', initial_value=[4], dtype=tf.float32)
    var_double = tf.Variable(name='var', initial_value=[4], dtype=tf.float32)

<tf.Variable 'name/var:0' shape=() dtype=float32_ref>
<tf.Variable 'name/var_1:0' shape=() dtype=float32_ref>

2.2 tf.get_variable共享变量

通过tf.get_variable的初始化与Variable参数一样, 但是要是实现共享需要打开 tf.variable_scope("name")中的reuse = tf.AUTO_REUSE参数

# 打开共享参数
# 或者
#  with tf.variable_scope("name") as scope:
#  在需要使用共享变量的前面定义： scope.reuse_variables()
with tf.variable_scope("name", reuse=tf.AUTO_REUSE):
    var = tf.Variable(initial_value=4.0, name="var", dtype=tf.float32)
    var_double = tf.Variable(initial_value=4.0, name="var", dtype=tf.float32)

    var1 = tf.get_variable(initializer=tf.random_normal([2, 2], mean=0.0, stddev=1.0),
                           name="var1",
                           dtype=tf.float32)
    var1_double = tf.get_variable(initializer=tf.random_normal([2, 2], mean=0.0, stddev=1.0),
                           name="var1",
                           dtype=tf.float32)



with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(var1)
    print(var1_double)

注意：TensorFlow和python不同， 它是维护一个所有OP名字的列表，不是以取的最前面的名字（自定义的接收结果，python变量）区分。

共享变量就相当于全局变量。