Tensorflow2文档指南【2】变量简介

什么是变量

Tensorflow中变量和张量都是计算的基本数据类，在上一章的介绍中，张量是不可改变数值，而变量是可变数值的，在训练的过程中，绝大部分训练参数的是变量，如果是一个参数是变量，误差反向传播的时候就会为其创建梯度，进而更新变量。

创建变量

my_tensor = tf.constant([[1.0, 2.0], [3.0, 4.0]])
my_variable = tf.Variable(my_tensor)

# 就像张量一样，变量也可以是各种数据类型
bool_variable = tf.Variable([False, False, False, True])
complex_variable = tf.Variable([5 + 4j, 6 + 1j])

张量操作

大部分张量的操作也能用在变量上，但是变量不能reshape

print("A variable:",my_variable)
print("\nViewed as a tensor:", tf.convert_to_tensor(my_variable))
print("\nIndex of highest value:", tf.argmax(my_variable))

# 这会创建一个新的张量，它不会重新创建变量。
print("\nCopying and reshaping: ", tf.reshape(my_variable, ([1,4])))

A variable: <tf.Variable 'Variable:0' shape=(2, 2) dtype=float32, numpy=
array([[1., 2.],
       [3., 4.]], dtype=float32)>

Viewed as a tensor: tf.Tensor(
[[1. 2.]
 [3. 4.]], shape=(2, 2), dtype=float32)

Index of highest value: tf.Tensor([1 1], shape=(2,), dtype=int64)

Copying and reshaping:  tf.Tensor([[1. 2. 3. 4.]], shape=(1, 4), dtype=float32)

变量的分配

从之前的例子可以看出，变量对应一个支持向量，计算的时候通过支持向量计算。变量可以通过tf.Variable.assign 重新分配张量，同时如果在运算中像使用张量一样使用变量，那么通常会对支持张量执行运算。从现有变量创建新变量会复制支持张量。两个变量不能共享同一内存空间。

a = tf.Variable([2.0, 3.0])
# Create b based on the value of a
b = tf.Variable(a)
a.assign([5, 6])

# a and b are different
print(a.numpy())
print(b.numpy())

# There are other versions of assign
print(a.assign_add([2,3]).numpy())  # [7. 9.]
print(a.assign_sub([7,9]).numpy())  # [0. 0.]

[5. 6.]
[2. 3.]
[7. 9.]
[0. 0.]

放置变量和张量到不同设备

with tf.device('CPU:0'):#如果是GPU，就修改'CPU:0'

  # Create some tensors
  a = tf.Variable([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
  b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
  c = tf.matmul(a, b)

print(c)

tf.Tensor(
[[22. 28.]
 [49. 64.]], shape=(2, 2), dtype=float32)

参考链接：https://www.tensorflow.org/guide/variable