tf.Variable()

 

tf.Variable(
    initial_value=None, trainable=None, validate_shape=True, caching_device=None,
    name=None, variable_def=None, dtype=None, import_scope=None, constraint=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.compat.v1.VariableAggregation.NONE, shape=None
)

 

为了区分需要计算梯度信息的张量与不需要计算梯度信息的张量，TensorFlow 增加了一种专门的数据类型来支持梯度信息的记录：tf.Variable。tf.Variable 类型在普通的张量类型基础上添加了 name，trainable 等属性来支持计算图的构建。

由于梯度运算会消耗大量的计算资源，而且会自动更新相关参数，对于不需要的优化的张量，如神经网络的输入X，不需要通过 tf.Variable 封装；相反，对于需要计算梯度并优化的张量，如神经网络层的W和b，需要通过 tf.Variable 包裹以便 TensorFlow 跟踪相关梯度信息

通过 tf.Variable()函数可以将普通张量转换为待优化张量，例如：

In [20]:
    a = tf.constant([-1, 0, 1, 2]) # 创建 TF 张量
    aa = tf.Variable(a) # 转换为 Variable 类型
    aa.name, aa.trainable # Variable 类型张量的属性
Out[20]:
    ('Variable:0', True)

其中张量的 name 和 trainable 属性是 Variable 特有的属性，name 属性用于命名计算图中的变量，这套命名体系是 TensorFlow 内部维护的，一般不需要用户关注 name 属性；trainable属性表征当前张量是否需要被优化，创建 Variable 对象时是默认启用优化标志，可以设置trainable=False 来设置张量不需要优化

除了通过普通张量方式创建 Variable，也可以直接创建，例如：

In [21]:
    a = tf.Variable([[1,2],[3,4]]) # 直接创建 Variable 张量
Out[21]:
    <tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy=
    array([[1, 2],
    [3, 4]])>

参考：《TensorFlow深度学习》龙龙老师