tf.Variable()

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))