tf.Variable(
initial_value=None, trainable=None, collections=None, validate_shape=True,
caching_device=None, name=None, variable_def=None, dtype=None,
expected_shape=None, import_scope=None, constraint=None, use_resource=None,
synchronization=tf.VariableSynchronization.AUTO,
aggregation=tf.VariableAggregation.NONE, shape=None
)
常用参数
initial_value: Tensor或可转换为 Tensor 的 Python 对象,它是变量的初始值。初始值必须具有指定的形状,除非设置为 False。也可以是不带参数的可调用对象,在调用时返回初始值。在这种情况下,必须指定。
name:可自定义的变量名称。默认为'Variable'并自动获得唯一性。
用法
import tensorflow as tf
v1=tf.Variable(tf.random_normal(shape=[4,3],mean=0,stddev=1),name='v1')
v2=tf.Variable(tf.constant(2),name='v2')
v3=tf.Variable(tf.ones([4,3]),name='v3')
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(v1))
print(sess.run(v2))
print(sess.run(v3))
输出
[[-1.2115501 1.0484737 0.55210656]
[-1.5301195 0.9060654 -2.6766613 ]
[ 0.27101386 -0.32336152 0.44544214]
[-0.0120788 -0.3409422 -0.48505628]]
2
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]
TensorFlow中,variable 的定义和初始化是分开的,所有关于图变量的赋值和计算都要通过tf.Session的run来进行。想要将所有图变量进行集体初始化时应该使用tf.global_variables_initializer。
详细使用例子:
import tensorflow as tf
import numpy as np
# 生成0和1矩阵
v1 = tf.Variable(tf.zeros([3, 3, 3]), name="v1")
v2 = tf.Variable(tf.ones([10, 5]), name="v2")
# 填充单值矩阵
v3 = tf.Variable(tf.fill([2, 3], 9))
# 常量矩阵
v4_1 = tf.constant([1, 2, 3, 4, 5, 6, 7])
v4_2 = tf.constant(-1.0, shape=[2, 3])
# 生成等差数列
v6_1 = tf.linspace(10.0, 12.0, 30, name="linspace") # float32 or float64
v7_1 = tf.range(10, 20, 3) # just int32
# 生成各种随机数据矩阵
v8_1 = tf.Variable(tf.random_uniform([2, 4], minval=0.0, maxval=2.0, dtype=tf.float32, seed=1234, name="v8_1"))
v8_2 = tf.Variable(tf.random_normal([2, 3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_2"))
v8_3 = tf.Variable(tf.truncated_normal([2, 3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_3"))
v8_4 = tf.Variable(tf.random_uniform([2, 3], minval=0.0, maxval=1.0, dtype=tf.float32, seed=1234, name="v8_4"))
v8_5 = tf.random_shuffle([[1, 2, 3], [4, 5, 6], [6, 6, 6]], seed=134, name="v8_5")
# 初始化
# 此处使用tf.initialize_all_variables() 用于初始化变量。但是这句话仍然不会立即执行。需要通过
# sess来将数据流动起来 。
init_op = tf.initialize_all_variables()
# 保存变量,也可以指定保存的内容
saver = tf.train.Saver()
# saver = tf.train.Saver({"my_v2": v2})
# 运行
with tf.Session() as sess:
sess.run(init_op)
# 输出形状和值
print(tf.Variable.get_shape(v1))# shape
print(sess.run(v1))# vaule
# numpy保存文件
np.save("v1.npy", sess.run(v1)) # numpy save v1 as file
test_a = np.load("v1.npy")
print(test_a[1, 2])
# 一些输出
print(sess.run(v3))
v5 = tf.zeros_like(sess.run(v1))
print(sess.run(v6_1))
print(sess.run(v7_1))
print(sess.run(v8_5))
# 保存图的变量
save_path = saver.save(sess, "/tmp/model.ckpt")
# 加载图的变量
# saver.restore(sess, "/tmp/model.ckpt")
print("Model saved in file: ", save_path)
初始化
此处使用tf.initialize_all_variables() 用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。
# 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.initialize_all_variables()
# Later, when launching the model
with tf.Session() as sess:
# Run the init operation.
sess.run(init_op)
...
# Use the model
...
实例讲解
#-*-coding:UTF-8-*-
import tensorflow as tf
# 使用tensorflow在默认的图中创建节点,这个节点是一个变量
state = tf.Variable(0 , name='counter')
one = tf.constant(1)
# 对常量与变量进行简单的加法操作,这点需要说明的是: 在TensoorFlow中,所有的操作op,变量都视为节
# 点,tf.add() 的意思就是在tf的默认图中添加一个op,这个op是用来做加法操作的。
new_value = tf.add(state,one)
# 赋值操作。将new_value的值赋值给update变量
update = tf.assign(state,new_value)
# ---------------上述步骤只是定义好了图,并没有变量并没有初始化。目前只有 one 的值是1---------
# 此处用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来 。
# 切记:所有的运算都应在在session中进行:
init = tf.initialize_all_variables()
# 此处自动开启一个session
with tf.Session() as sess:
# 对变量进行初始化,执行init语句
sess.run(init)
for _ in range(3):
sess.run(update)
print(sess.run(state))