tf.get_variable()函数

参考  tf.get_variable()函数 - 云+社区 - 腾讯云

如果你定义的变量名称在之前已被定义过，则TensorFlow 会引发异常。可使用tf.get_variable() 函数代替tf.Variable()。如果变量存在，函数tf.get_variable( ) 会返回现有的变量。如果变量不存在，会根据给定形状和初始值创建变量。

tf.get_variable(
    name,
    shape=None,
    dtype=None,
    initializer=None,
    regularizer=None,
    trainable=None,
    collections=None,
    caching_device=None,
    partitioner=None,
    validate_shape=True,
    use_resource=None,
    custom_getter=None,
    constraint=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.VariableAggregation.NONE
)

下面是一个基本的例子：

def foo():
  with tf.variable_scope("foo", reuse=tf.AUTO_REUSE):
    v = tf.get_variable("v", [1])
  return v

v1 = foo()  # Creates v.
v2 = foo()  # Gets the same, existing v.
assert v1 == v2

如果初始化器为None(缺省值)，则将使用在变量范围中传递的缺省初始化器。如果没有，则使用glorot_uniform_initializer。初始化器也可以是一个张量，在这种情况下，变量初始化为这个值和形状。类似地，如果正则化器为None(默认值)，则将使用在变量范围中传递的默认正则化器(如果也是None，则默认情况下不执行正则化)。如果提供了分区程序，则返回一个PartitionedVariable。以张量的形式访问这个对象，返回沿分区轴连接的切分。可以使用一些有用的分区器。参见，例如，variable_axis_size_partitioner和min_max_variable_partitioner。

参数：

• name:新变量或现有变量的名称。
• shape:新变量或现有变量的形状。
• dtype:新变量或现有变量的类型(默认为DT_FLOAT)。
• initializer:如果创建了变量的初始化器。可以是初始化器对象，也可以是张量。如果它是一个张量，它的形状必须是已知的，除非validate_shape是假的。
• regularizer:A(张量->张量或无)函数;将其应用于新创建的变量的结果将添加到集合tf.GraphKeys中。正则化-损耗，可用于正则化。
• trainable:如果为真，也将变量添加到图形集合GraphKeys中。TRAINABLE_VARIABLES(见tf.Variable)。
• collections:要向其中添加变量的图形集合键的列表。默认为[GraphKeys.GLOBAL_VARIABLES](见tf.Variable)。
• caching_device:可选的设备字符串或函数，描述变量应该缓存到什么地方以便读取。变量的设备的默认值。如果没有，则缓存到另一个设备上。典型的用途是在使用该变量的操作系统所在的设备上缓存，通过Switch和其他条件语句来重复复制。
• partitioner:可选的callable，它接受要创建的变量的完全定义的TensorShape和dtype，并返回每个轴的分区列表(目前只能分区一个轴)。
• validate_shape:如果为False，则允许用一个未知形状的值初始化变量。如果为真，默认情况下，initial_value的形状必须是已知的。要使用它，初始化器必须是一个张量，而不是初始化器对象。
• use_resource:如果为False，则创建一个常规变量。如果为真，则创建一个具有定义良好语义的实验性资源变量。默认值为False(稍后将更改为True)。当启用紧急执行时，该参数总是强制为真。
• custom_getter: Callable，它将true getter作为第一个参数，并允许覆盖内部get_variable方法。custom_getter的签名应该与这个方法的签名相匹配，但是未来最可靠的版本将允许更改:def custom_getter(getter、*args、**kwargs)。还允许直接访问所有get_variable参数:def custom_getter(getter、name、*args、**kwargs)。一个简单的身份自定义getter，简单地创建变量与修改的名称是:

• constraint:优化器更新后应用于变量的可选投影函数(例如，用于为层权重实现规范约束或值约束)。函数必须将表示变量值的未投影张量作为输入，并返回投影值的张量(其形状必须相同)。在进行异步分布式培训时使用约束并不安全。
• synchronization:指示何时聚合分布式变量。可接受的值是在tf.VariableSynchronization类中定义的常量。默认情况下，同步设置为AUTO，当前分发策略选择何时同步。如果同步设置为ON_READ，则不能将trainable设置为True。
• aggregation:指示如何聚合分布式变量。可接受的值是在tf.VariableAggregation类中定义的常量。

返回值：

• 创建的或现有的变量(或PartitionedVariable，如果使用了分区器)。

可能产生的异常：

• ValueError: when creating a new variable and shape is not declared, when violating reuse during variable creation, or when initializer dtype and dtype don't match. Reuse is set inside variable_scope.