TensorFlow中tf.Variable的用法解析

Tensorflow 中 tf.Variable ，确实比较难理解，我也是弄了很久才弄懂的。

tf.Variable 的定义：

tf.Variable.init(initial_value, trainable=True, collections=None, validate_shape=True, name=None)

 

那么，有的同学，就想问了 后面的name属性和前面的变量名有什么关系？

import tensorflow as tf

a=tf.Variable(5)
print(a)

b=tf.Variable(10)
print(b)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(a))
    print(sess.run(b))

输出结果：

 

在TensorFlow的世界里，变量的定义和初始化是分开的，一开始，tf.Variable 得到的是张量，而张量并不是具体的值，而是计算过程。

因为tf.Variable 生成的是一个张量，那么 name 就是一个张量的名字，如果你不主动声明的话，就是默认的 Variable

而如果你要得到，变量的值的话，那么你就需要对张量进行计算，首先对变量进行初始化，使用会话进行计算

 sess.run(tf.global_variables_initializer())

对变量初始化之后，就可以直接计算变量，那么run 变量，那么就得到了变量的值

Trainable 属性作用?

就是通过trainable属性控制这个变量是否可以被优化器更新,比如有的变量并不是一个常数，而是一个 正态分布，那么优化器，就可以对这个变量进行更新和优化