深度学习基础之《TensorFlow框架（7）—变量》

csj50

已于 2024-03-19 14:41:19 修改

阅读量463

点赞数 9

分类专栏：机器学习文章标签：深度学习

于 2024-03-19 14:14:12 首次发布

本文链接：https://blog.csdn.net/csj50/article/details/136841348

版权

机器学习专栏收录该内容

63 篇文章 22 订阅

订阅专栏

一、什么是变量

1、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类进行操作
这里的变量和传统认知里存储值或者返回值不一样，他是TensorFlow里的一个组件

2、变量的特点
（1）存储持久化
把程序中定义的数据以变量的形式保存下来
（2）可修改值
有时候存储一些数据，希望它能够被迭代更新
（3）可指定被训练
可以不断的迭代更新

3、变量很适合保存模型参数
深度学习目的：训练很好的模型解决问题

二、创建变量

1、tf.Variable(initial_value=None, trainable=True, collections=None, name=None)
说明：
（1）initial_value：初始化的值
（2）trainable：是否可以被训练
（3）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]

2、变量需要显示初始化，才能运行值（TensorFlow2.0版本不需要）
tf.global_variables_initializer()

3、例子

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf

def tensorflow_demo():
    """
    TensorFlow的基本结构
    """

    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 2.0版本不需要开启会话，已经没有会话模块了

    return None

def graph_demo():
    """
    图的演示
    """
    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g：\n", default_g)

    # 方法2：查看属性
    # print("a_t的图属性：\n", a_t.graph)
    # print("c_t的图属性：\n", c_t.graph)

    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("c_new：\n", c_new)
        print("a_new的图属性：\n", a_new.graph)
        print("b_new的图属性：\n", b_new.graph)

    # 开启new_g的会话
    with tf.compat.v1.Session(graph=new_g) as sess:
        c_new_value = sess.run(c_new)
        print("c_new_value：\n", c_new_value)
        print("我们自己创建的图为：\n", sess.graph)

    # 可视化自定义图
    # 1）创建一个writer
    writer = tf.summary.create_file_writer("./tmp/summary")
    # 2）将图写入
    with writer.as_default():
        tf.summary.graph(new_g)

    return None

def session_run_demo():
    """
    feed操作
    """
    tf.compat.v1.disable_eager_execution()
    
    # 定义占位符
    a = tf.compat.v1.placeholder(tf.float32)
    b = tf.compat.v1.placeholder(tf.float32)
    sum_ab = tf.add(a, b)
    print("a：\n", a)
    print("b：\n", b)
    print("sum_ab：\n", sum_ab)
    # 开启会话
    with tf.compat.v1.Session() as sess:
        print("占位符的结果：\n", sess.run(sum_ab, feed_dict={a: 1.1, b: 2.2}))
 
    return None

def tensor_demo():
    """
    张量的演示
    """
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1, 2, 3, 4])
    linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)
    print("tensor1：\n", tensor1)
    print("tensor2：\n", tensor2)
    print("linear_squares：\n", linear_squares)

    # 张量类型的修改
    l_cast = tf.cast(linear_squares, dtype=tf.float32)
    print("before：\n", linear_squares)
    print("l_cast：\n", l_cast)

    return None

def variable_demo():
    """
    变量的演示
    """
    a = tf.Variable(initial_value=50)
    b = tf.Variable(initial_value=40)
    c = tf.add(a, b)
    print("a：\n", a)
    print("b：\n", b)
    print("c：\n", c)
    return None

if __name__ == "__main__":
    # 代码1：TensorFlow的基本结构
    # tensorflow_demo()
    # 代码2：图的演示
    #graph_demo()
    # feed操作
    #session_run_demo()
    # 代码4：张量的演示
    #tensor_demo()
    # 代码5：变量的演示
    variable_demo()

运行结果：

a：
 <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=50>
b：
 <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=40>
c：
 tf.Tensor(90, shape=(), dtype=int32)

a和b是tf.Variable
c是Tensor对象

三、修改变量的命名空间

1、使用tf.variable_scope()修改变量的命名空间
会在OP的名字前面增加命名空间的指定名字
TensorFlow 2.0版本用，tf.compat.v1.variable_scope()

2、例子

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf

def tensorflow_demo():
    """
    TensorFlow的基本结构
    """

    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 2.0版本不需要开启会话，已经没有会话模块了

    return None

def graph_demo():
    """
    图的演示
    """
    # TensorFlow实现加减法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算结果：\n", c_t)
    print(c_t.numpy())

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g：\n", default_g)

    # 方法2：查看属性
    # print("a_t的图属性：\n", a_t.graph)
    # print("c_t的图属性：\n", c_t.graph)

    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("c_new：\n", c_new)
        print("a_new的图属性：\n", a_new.graph)
        print("b_new的图属性：\n", b_new.graph)

    # 开启new_g的会话
    with tf.compat.v1.Session(graph=new_g) as sess:
        c_new_value = sess.run(c_new)
        print("c_new_value：\n", c_new_value)
        print("我们自己创建的图为：\n", sess.graph)

    # 可视化自定义图
    # 1）创建一个writer
    writer = tf.summary.create_file_writer("./tmp/summary")
    # 2）将图写入
    with writer.as_default():
        tf.summary.graph(new_g)

    return None

def session_run_demo():
    """
    feed操作
    """
    tf.compat.v1.disable_eager_execution()
    
    # 定义占位符
    a = tf.compat.v1.placeholder(tf.float32)
    b = tf.compat.v1.placeholder(tf.float32)
    sum_ab = tf.add(a, b)
    print("a：\n", a)
    print("b：\n", b)
    print("sum_ab：\n", sum_ab)
    # 开启会话
    with tf.compat.v1.Session() as sess:
        print("占位符的结果：\n", sess.run(sum_ab, feed_dict={a: 1.1, b: 2.2}))
 
    return None

def tensor_demo():
    """
    张量的演示
    """
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1, 2, 3, 4])
    linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)
    print("tensor1：\n", tensor1)
    print("tensor2：\n", tensor2)
    print("linear_squares：\n", linear_squares)

    # 张量类型的修改
    l_cast = tf.cast(linear_squares, dtype=tf.float32)
    print("before：\n", linear_squares)
    print("l_cast：\n", l_cast)

    return None

def variable_demo():
    """
    变量的演示
    """
    a = tf.Variable(initial_value=50)
    b = tf.Variable(initial_value=40)
    c = tf.add(a, b)
    print("a：\n", a)
    print("b：\n", b)
    print("c：\n", c)
    with tf.compat.v1.variable_scope("my_scope"):
        d = tf.Variable(initial_value=30)
        e = tf.Variable(initial_value=20)
        f = tf.add(d, e)
    print("d：\n", d)
    print("e：\n", e)
    print("f：\n", f)
    return None

if __name__ == "__main__":
    # 代码1：TensorFlow的基本结构
    # tensorflow_demo()
    # 代码2：图的演示
    #graph_demo()
    # feed操作
    #session_run_demo()
    # 代码4：张量的演示
    #tensor_demo()
    # 代码5：变量的演示
    variable_demo()

运行结果：

a：
 <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=50>
b：
 <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=40>
c：
 tf.Tensor(90, shape=(), dtype=int32)
d：
 <tf.Variable 'my_scope/Variable:0' shape=() dtype=int32, numpy=30>
e：
 <tf.Variable 'my_scope/Variable:0' shape=() dtype=int32, numpy=20>
f：
 tf.Tensor(50, shape=(), dtype=int32)

2、命名空间好处，使得结构更加清晰

csj50

关注

9
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
深度学习基础之《TensorFlow框架（7）—变量》

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]1、TensorFlow变量是表示程序处理的共享持久状态的最佳方法。这里的变量和传统认知里存储值或者返回值不一样，他是TensorFlow里的一个组件。（3）collections：新变量将添加到列出的图的集合中collections。2、变量需要显示初始化，才能运行值（TensorFlow2.0版本不需要）
复制链接

扫一扫

专栏目录