Tensorflow详解（三）

变量——作用就是保存网络的参数，网络参数的更新就是相应变量的重新赋值

1.创建变量

  1.1变量名=tf.Variable(初始值)

   初始值的获取，方法1，tensorflow提供了各种生成函数

                             方法2，通过其他变量的初始值来初始化新的变量：变量名.initialized_value()

    1.2 tf.get_variable(name,shape,dtype,initializer,regularizer,trainable,collections,

                                  caching_device,partitoner,validate_shape,custom_getter)创建或获取变量

2.初始化所有变量

   init_op=tf.global_variables_initializer()

3.在会话中运行

  sess.run(  init_op)

说明：tensorflow中所有变量都会自动被加入到GraphKeys.VARIABLES集合；通过all_variables()函数可以获取当前计算图上所有变量。如果声明变量时参数trainable=True,那么这个变量将会加入GraphKeys.TRAINABLE_VARIABLES集合；通过trainable_variables()函数得到该集合中全部内容

函数详解：

---

tf.get_variable（） 

Args:

        name：变量的名称。
        shape：变量的形状。
        dtype： 变量的类型（默认为DT_FLOAT）。
        ininializer：如果创建了则用它来初始化变量。
        regularizer：A（Tensor - > Tensor或None）函数;将它应用于新创建的变量的结果将添加到

                         集合 tf.GraphKeys.REGULARIZATION_LOSSES中，并可用于正则化。
        trainable：如果为True，还将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES（参见tf.Variable）。
        collections：要将变量添加到的图表集合列表。默认为[GraphKeys.GLOBAL_VARIABLES]（参见tf.Variable）。
        caching_device：可选的设备字符串或函数，描述变量应被缓存以供读取的位置。默认为Variable的设备。如果不是None，则在另一台设备上缓存。典型用法是在使用变量驻留的Ops的设备上进行缓存，以通过Switch和其他条件语句进行重复数据删除。
        partitioner：可选callable，接受完全定义的TensorShape和要创建的Variable的dtype，并返回每个轴的分区列表（当前只能对一个轴进行分区）。
        validate_shape：如果为False，则允许使用未知形状的值初始化变量。如果为True，则默认为initial_value的形状必须已知。
        use_resource：如果为False，则创建常规变量。如果为true，则使用定义良好的语义创建实验性ResourceVariable。默认为False（稍后将更改为True）。在Eager模式下，此参数始终强制为True。
        custom_getter：Callable，它将第一个参数作为true getter，并允许覆盖内部get_variable方法。 custom_getter的签名应与此方法的签名相匹配，但最适合未来的版本将允许更改：def custom_getter（getter，* args，** kwargs）。也允许直接访问所有get_variable参数：def custom_getter（getter，name，* args，** kwargs）。一个简单的身份自定义getter只需创建具有修改名称的变量是：python def custom_getter（getter，name，* args，** kwargs）：return getter（name +'_suffix'，* args，** kwargs）