- tensorflow 中的命名空间
- tf.name_scope(): 为了更好地管理变量的命名空间而提出的。比如在 tensorboard 中,因为引入了 name_scope, Graph 看起来才井然有序
- tf.variable_scope(): 通过 tf.get_variable()为变量名指定命名空间.
- tensorflow 创建变量的三种方式
- tf.placeholder() :占位符
- tf.Variable() :一般变量用这种方式定义。
- tf.get_variable() :一般都是和 tf.variable_scope() 配合使用,从而实现变量共享的功能。
- tf.get_variable()和tf.Variable()的区别如下:
- tf.Variable()在定义的时候必须初始化,而tf.get_variable()定义的时候可以先不进行初始化操作。
- 想要进行变量共享,必须使用tf.get_variable()实现,搭配命名空间,以及reuse关键字的使用,就可以实现变量的共享;而tf.Variable()每次都会生成一个新的变量。
- tensorflow中的变量初始化
- 在会话中使用sess.run()进行初始化
- sess.run(tf.global_variables_initializer()) # 初始化全局变量
- sess.run(tf.local_variables_initializer()) # 初始化本地变量
- 在定义的时候进行初始化:
- tf.get_variable(name=‘fm1’, shape = [dim, 1], initializer= tf.random_uniform_initializer(minval = 0, maxval = 0.1))
- 初始化部分指定变量 sess.run(tf.variables_initializer(var_list))
- var_list是需要初始化的变量列表
- 在会话中使用sess.run()进行初始化
- tensorflow获取变量:
- 获取所有全局变量:tf.global_variables()
- 获取所有训练变量:tf.trainable_variables()
- 通过参数名称获取对应的值:tf.get_default_graph().get_tensor_by_name(“conv1/b:0”)