Tensorflow运作之变量

引自：http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/variables.html
在训练模型时，需要使用变量来存储和更新参数。
变量包含张量（Tensor）存放于内存的缓存区。
建模时它们需要明确地初始化，模型训练后它们必须被存储到磁盘。
这些变量的值可在之后的模型训练和分析时被加载。
1、创建
创建变量需要将一个张量作为初始值传入构造函数Variable()。TensorFlow提供了一系列操作符来初始化张量，初始值可以是常量或随机值。
注意，所有的这些操作符都需要你指定张量的shape。指定那个形状自动成为变量的shape。变量的shape通常是固定的，但TF也提供来高级机制来重新调整其行列数。

#Create two variables
weights = tf.Variable(tf.random_normal([784,200],stddev = 0.35),name="weights")
biases = tf.Variable(tf.zeros([200]),name ="biases")

调用tf.Variable()添加一些操作（Op）到graph

• 一个Variable操作存放变量的值
• 一个初始化op将变量设置为初始值。这事实上是一个tf.assign操作
• 初始值的操作，例如示例中对biases变量的zeros操作也被加入来graph
  tf.Variable的返回值是Python的tf.Variable类的一个实例。
  2、初始化
  变量的初始化必须在模型的其它操作之前先明确地完成。最简单的方法就是添加一个给所有变量的初始化操作，并在使用模型之前首先运行那个操作。
  或者可以从检查点文件中重新获取变量值，详见下文。
  使用tf.global_vaiables_initializer()添加一个操作对变量做初始化。记得在完全构建好模型并加载之后再运行那个操作。

#Create two variables
weights =tf.Variable(tf.random_normal([784,200],stddev =0.35),name = "weights")
biases = tf.Variable(tf.zeros([200]),name="biases")
...
#Add an op to initialize the variables
init_op = tf.global_variables_initializer()

#later,when launching the model
with tf.Seeion() as  sess:
    #Run the init operation
    sess.run(init_op)
    ...
    #Use the model
    ....

3、由另一个变量初始化
有时候需要用另一个变量的初始化值给当前变量初始化。由于tf.global_variables_initializer()是并行地初始化所有变量，所以在这种需求的情况下需要小心。
用其他变量的值的初始化一个新的变量需要使用其他变量的initialize_value()属性。你可以直接把已初始化的值作为新变量的初始值，或者把它当作tensor计算得到一个值赋予新变量。

#Create a variable with a random value
weights = tf.Variable(tf.random_normal([784,200],stddev=0.35),name="weights")
#Create another variable with the same value as 'weights'
w2 = tf.Variable(weights.initialized_value(),name="w2")
#Create another variable with twice the value of 'weights'
w_twice = tf.Variable(weights.initialized_value()*2,name="w_twice")

4、自定义初始化
tf.global_variables_initializer()函数便捷地添加一个op来初始化模型的所有变量。你可以给它传入一组变量进行初始化。详情见Variables Documentation，包括检查变量是否被初始化。
5、保存和加载
最简单的保存和恢复模型的方法是使用tf.train.Saver对象。构造器给graph的所有变量，或是定义在列表里的 变量，添加save和restore ops。saver对象提供来方法来运行这些ops，定义检查点文件的读写路径。
6、检查点文件
变量存储在一个二进制文件里，主要包含从变量名到tensor值的映射关系。
当你创建一个Saver对象时，你可以选择性地为检查点文件中的变量挑选变量名。默认情况下，将每个变量variable.name属性的值。
7、保存变量
用tf.train.Saver()创建一个Saver来管理模型中的所有变量。

#Create some variables
v1 = tf.Variable(...,name="v1")
v2 = tf.Variable(...,name ="v2")
...
#Add an op to initialize the variables
init_op = tf.global_variables_initializer()

#Add ops to save and restore all the variables.
saver = tf.train.Saver()

#Later, launch the model,initialize the variables,do some work,save the variables to disk.
#稍后，启动模型，初始化变量，做一些工作，将变量保存到磁盘。 
with tf.Session() as sess:
   sess.run(init_op)
   #Do some work with the model
   ..
   #save the variables to disk
   save_path =saver.save(sess,"/tmp/model.ckpt")
   print"Model saved in file: ",save_path 

8、恢复变量
用同一个Saver对象来恢复变量。注意，当你从文件中恢复变量时，不需要事先对它们做初始化。

#Create some variables
v1 =tf.Variables(...,name="v1")
v2 = tf.Variables(...,name ="v2")
...
#Add ops to save and restore all the variables
saver =tf.train.Saver()

#Later, launch the model, use the saver to restore variables from disk, and do some work with the model
with tf.Session() as sess:
  #Restore variables from disk
  saver.restore(sess,"/tmp/model.ckpt")
  print "Model restored"
  #Do some work with the model
  ...

9、选择存储和恢复那些变量
如果你不给tf.train.Saver()传入任何参数，那么saver将处理graph中的所有变量。其中每一个变量都以变量创建时传入的名称被保存。
有时候在检查点文件中明确定义变量的名称很有用。举个例子，你也许已经训练得到来一个模型，其中有个变量的命名为“weights”，你想把它恢复到一个新的变量“param”中。
有时候仅保存和恢复一部分变量很有用。eg：你也许训练得到来一个5层神经网络，现在想训练一个6层的新模型，可以将之前5层模型的参数导入到新模型的前5层中。
你可以通过给tf.train.Saver()构造函数传入Python字典，很容易地定义需要保持的变量及对应名称：键对应使用的名称，值对应被管理的变量。
注意：

• 如果你需要保存和恢复模型变量不同子集，可以创建任意多个saver对象。同一个变量可被列入多个saver对象中，只有当saver的restore()函数被运行时，它的值才会发生改变。
• 如果你仅在session开始时恢复模型变量的一个子集，你需要对剩下的变量执行初始化op。详情请见tf.initialize_variables()。

#Create some variables
v1 = tf.Variables(...,name="v1")
v2 = tf.Variables(...,name="v2")
...
#Add ops to save and restore only 'v2' using name "my_v2"
saver = tf.train.Saver({"my_v2": v2})
#Use the saver object normally after that