Tensorflow学习笔记（四）变量、张量

一、创建变量

x = tf.Variable()

tf.Variable(initial_value=None, trainable=True, collections=None, validate_shape=True, 
caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, 
import_scope=None)

tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, 
trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, 
custom_getter=None)

使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会处理冲突，而会报错.
下面是常用的参数使用：

x = tf.Variable(tf.compat.v1.random_normal(([3,4],stddev = 1))

random_normal指的是正态分布，tensorflow中随机数生成函数主要用于初始化，常用的主要有以下四种：
1.random_normal：正态分布
（shape，mean，stddev，dtype，seed，name）
2.truncated_normal：正态分布，但如果随机出来的值偏离平均值两个标准差，那么这个数会被重新随机
（shape，mean，stddev，dtype，seed，name）
3.random_uniform：平均分布
（shape，minval，maxval，dtype，seed，name）
4.random_gamma：Gamma分布
（shape，alpha，beta，stddev，dtype，seed，name）

其他常用的初始化函数：
zero（shape，dtype，name）：产生全0数组
ones（shape，dtype，name）：产生全1数组
fill（dims，value，name）：产生一个值为给定数字的数组
constant（value，dtype，shape，name，verify_shape）：产生一个给定值的常量
例如：

biases = tf.Variable(tf.zeros([2,3],int32))
#Int32  意思是32位整数(32bit integer), 相当于 int      占4个字节   -2147483648 ~ 2147483647
#产生一个全0的2x3数组，结果为[[0,0,0],[0,0,0]]
sess.run(biases.initializer)
#初始化biases

initialize_all_variable()函数（global_variables_initializer()）可以初始化所有变量：

init_op = tf.initialize_all_variables()
or
init_op = tf.compat.v1.global_variables_initializer()
sess.run(init_op)

示例程序：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
#动态图机制，disable处于不可使用状态，enable可使用状态
x = tf.constant([[1.0,2.0]])
#定义常量
w1 = tf.Variable(tf.compat.v1.random_normal([2,3],stddev = 1, seed = 1))
w2 = tf.Variable(tf.compat.v1.random_normal([3,1],stddev = 1, seed = 1))
#定义变量，变量为随机正态分布
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
#tf.matmul（）将矩阵a乘以矩阵b，生成a * b。
init_op = tf.compat.v1.global_variables_initializer()
#全部变量初始化函数
with tf.compat.v1.Session() as sess:
    sess.run(init_op)
    print(sess.run(y))
    print(sess.run(y))
    print(y)

运行结果如下：
......
......
......
Skipping registering GPU devices...
2020-06-18 10:48:09.970309: I tensorflow/core/platform/cpu_feature_guard.cc:143] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2020-06-18 10:48:09.980531: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x19f85a4f8e0 initialized for platform Host (this does not guarantee that XLA will be used). Devices:
2020-06-18 10:48:09.980943: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): Host, Default Version
2020-06-18 10:48:09.981294: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-06-18 10:48:09.981591: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      
[[7.2020965]]
[[7.2020965]]
Tensor("MatMul_1:0", shape=(1, 1), dtype=float32)

二、变量与张量

tensorflow中变量被当作一种运算处理。
得到的结果为具有name、dtype、shape等属性的张量。
上面程序中y就代表一个张量。结果如输出所示。

注意：变量在构建以后，它的类型就无法改变。
更改维度的方法：
validate_shape=False
示例：

tf.assign(w1,w2,validate_shape=Falase)
#assign()函数将w2参数的值赋值给w1

tf.assign（ref,value,validate_shape,use_locking,name）

三、管理变量张量

get_variable()函数用于创建/获取张量

a = tf.compat.v1.get_variable(name,shape,dtype,initializer,regularizer,trainable,conllections,caching_device,partitioner,validate_shape,custon_getter)

常用初始化函数：
constant_initializer(): 将变量初始化为给定常量
random_normal_initializer(): 将变量初始化为满足正态分布的随机数值
truncated_normal_initializer():将变量初始化为满足正态分布的随机数值，但随机值超过两个标准差，这个数会被重新随机
random_uniform_intializer(): 将变量初始化为满足平均分布的随机数
uniform_uint_scaling_initializer(): 将变量初始化为满足平均分布但不影响输出量级的随机值
zeros_intializer():将变量初始化为全0
ones_initializer(): 将变量初始化为全1

variable_scope()结合上下文管理器（with）生成一个变量空间。

variable_scope(reuse)
# reuse=False——get_variable()函数将创建新的变量，此时的name属性不可以与已经存在的变量相同
#      =True——get_variable()函数直接获取name属性相同的已经存在的变量无论get_variable()还是variable()都会被添加变量空间的名称前缀

name_scope()结合上下文管理器（with）生成一个变量空间。多用于可视化计算图的时候
使用get_variable()函数生成的变量名称不会添加变量空间的名称前缀，variable()会被添加变量空间的名称前缀