Tensorflow学习笔记（6）——变量管理和模型持久化

1 变量管理

TF提供了通过变量名称来创建和获取一个变量的机制，不需要将变量的参数到处传递。
主要通过tf.get_variable和tf.variable_scope实现。
tf.Variable和tf.get_variable等价使用样例：

weight = tf.get_variable(name='weights', shape=[5, 5, 3, 1], initializer=tf.truncated_normal_initializer(stddev=0.1))

weight = tf.Variable(tf.truncated_normal(shape=[5, 5, 3, 1], stddev=0.1),name='weights')

TF中的initializer函数和之前的常量生成函数大部分一一对应。如下：

表 TF中的变量初始化函数

初始化函数名称	将变量初始化为	主要参数
tf.random_nomal_initializer	正态分布	均值、标准差
tf.truncated_normal_initializer	正态分布，但如果随机出来的值偏离平均值超过2个标准差，那么这个数将会被重新随机	均值、标准差
tf.random_uniform_initializer	平均分布	最小、最大取值
tf.constant_initializer	给定常量	常数取值
tf.uniform_unit_scaling_initializer	平均分布但不影响输出数量级	factor（产生随机值时乘以的系数）
tf.zeros_initializer	全0	变量维度
tf.ones_initializer	全1	变量维度

对于tf.get_variable，name必填而tf.variable_scope选填。避免变量复用造成的错误。
如果需要通过tf.get_variable获取一个已经创建的变量，需要通过tf.variable_scope生成一个上下文管理器，若reuse参数为True，则此管理器中的所有tf.get_variable将直接获取已经生成的变量，若为None或False，则创建新的变量，此时若存在同名变量则报错。

#在命名空间foo内创建变量v
with tf.variable_scope("foo"):
    v = tf.get_variable(name="v", shape=[1], initializer=tf.constant_initializer(1.0))

#获取已经声明的变量
with tf.variable_scope("foo", reuse=True):
    v1=tf.get_variable(name="v",shape=[1])
    print(v==v1)