Python TensorFlow，变量，变量的创建、初始化，TensorBoard可视化。

最新推荐文章于 2023-02-06 22:15:42 发布

houyanhua1

最新推荐文章于 2023-02-06 22:15:42 发布

阅读量736

点赞数

分类专栏： Python+ 机器学习文章标签： Python 变量 TensorBoard

本文链接：https://blog.csdn.net/houyanhua1/article/details/88103197

版权

本文介绍了TensorFlow中的变量，一种用于存储和更新模型参数的持久化张量。变量与常量的区别在于变量的值可以改变。在神经网络训练中，变量用于存储权重。文章提供了一个创建和初始化变量的demo，并详细阐述了如何利用TensorBoard进行可视化，展示了TensorBoard中图表的符号意义。

摘要由CSDN通过智能技术生成

在TensorFlow中，变量(Variable)是一种op(运算操作)，也是一种特殊的张量(Tensor)，它的值就是一个张量。与其他张量不同，变量存在于session.run 调用的会话之外，也就是说，变量存储的是持久张量，当训练模型时，用变量来存储和更新参数。除此之外，在调用op之前，所有变量都应被显式地初始化过。
常量与变量：常量(constant)定义后值和维度不可变，变量定义后值可变而维度不可变。在神经网络中，变量一般可作为储存权重和其他信息的矩阵，而常量可作为储存超参数或其他结构信息的变量。

TensorFlow中的训练模型的系数，必须用变量定义(系数需要迭代优化，变化)，可以对变量(系数、模型)进行持久化。

demo.py（变量的创建和初始化）：

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'  # 设置警告级别


# 变量
# 1、变量能够持久化保存，普通张量是不行的
# 2、当定义一个变量的时候，一定要在会话当中去运行初始化操作
# 3、name参数：在tensorboard可视化时显示名字；可以让相同op名字的变量进行区分

# 变量的创建   trainable=True表示变量(模型系数)可以被训练优化(变化),默认True
var = tf.Variable(tf.random_normal([2, 3], mean=0.0, stddev=1.0), name=&#