tf.trainable_variables和tf.all_variables的对比

UESTC_C2_403

于 2017-05-17 09:11:32 发布

阅读量2.9w

点赞数 8

分类专栏： tensorflow用法

本文链接：https://blog.csdn.net/uestc_c2_403/article/details/72356448

版权

tensorflow用法专栏收录该内容

64 篇文章

订阅专栏

本文介绍了TensorFlow中tf.trainable_variables和tf.all_variables函数的区别与用法。通过实例演示了如何使用这两个函数来获取训练模型中的变量列表，并展示了如何指定变量是否参与训练。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

tf.trainable_variables返回的是需要训练的变量列表

tf.all_variables返回的是所有变量的列表

例如：

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

v = tf.Variable(tf.constant(0.0, shape=[1], dtype=tf.float32), name='v')
v1 = tf.Variable(tf.constant(5, shape=[1], dtype=tf.float32), name='v1')

global_step = tf.Variable(tf.constant(5, shape=[1], dtype=tf.float32), name='global_step', trainable=False)
ema = tf.train.ExponentialMovingAverage(0.99, global_step)

for ele1 in tf.trainable_variables():
	print ele1.name
for ele2 in tf.all_variables():
	print ele2.name

输出：

v:0
v1:0

v:0
v1:0
global_step:0

分析：

上面得到两个变量，后面的一个得到上三个变量，因为global_step在声明的时候说明不是训练变量，用来关键字trainable=False。