tf.Variable(initializer,name):参数initializer是初始化参数,name是可自定义的变量名称
主要在于一些可训练变量(trainable variables),比如模型的权重(weights,W)或者偏执值(bias)。
例子:
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
当然,在TensorFlow中,运行这两条语句后,W和b其实还是没有真正初始化,需要运行下面一条语句,才能在内存中真正初始化:
sess.run(tf.global_variables_initializer())
这里最后说一下,placeholder和Variable的区别:
转自:https://www.cnblogs.com/nowornever-L/p/6908775.html
二者的主要区别在于:
-
tf.Variable:主要在于一些可训练变量(trainable variables),比如模型的权重(weights,W)或者偏执值(bias);
- 声明时,必须提供初始值;
- 名称的真实含义,在于变量,也即在真实训练时,其值是会改变的,自然事先需要指定初始值;
weights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stddev=1./math.sqrt(float(IMAGE_PIXELS)), name='weights') ) biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')
-
tf.placeholder:用于得到传递进来的真实的训练样本:
- 不必指定初始值,可在运行时,通过 Session.run 的函数的 feed_dict 参数指定;
- 这也是其命名的原因所在,仅仅作为一种占位符;
images_placeholder = tf.placeholder(tf.float32, shape=[batch_size, IMAGE_PIXELS]) labels_placeholder = tf.placeholder(tf.int32, shape=[batch_size])