tf.Variable和 tf.get_variable

转发自：https://www.jb51.net/article/136172.htm

声明变量主要有两种方法：tf.Variable和 tf.get_variable，二者的最大区别是：

(1) tf.Variable是一个类，自带很多属性函数；而 tf.get_variable是一个函数;
(2) tf.Variable只能生成独一无二的变量，即如果给出的name已经存在，则会自动修改生成新的变量name;
(3) tf.get_variable可以用于生成共享变量。默认情况下，该函数会进行变量名检查，如果有重复则会报错。当在指定变量域中声明可

以变量共享时，可以重复使用该变量（例如RNN中的参数共享）。
下面给出简单的的示例程序：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

import tensorflow as tf   with tf.variable_scope('scope1',reuse=tf.AUTO_REUSE) as scope1:   x1 = tf.Variable(tf.ones([1]),name='x1')   x2 = tf.Variable(tf.zeros([1]),name='x1')   y1 = tf.get_variable('y1',initializer=1.0)   y2 = tf.get_variable('y1',initializer=0.0)   init = tf.global_variables_initializer()   with tf.Session() as sess:     sess.run(init)     print(x1.name,x1.eval())     print(x2.name,x2.eval())     print(y1.name,y1.eval())     print(y2.name,y2.eval())

输出结果为：

?

1 2 3 4

scope1/x1:0 [ 1.] scope1/x1_1:0 [ 0.] scope1/y1:0 1.0 scope1/y1:0 1.0

1. tf.Variable(…)

tf.Variable(…)使用给定初始值来创建一个新变量，该变量会默认添加到 graph collections listed in collections, which defaults to [GraphKeys.GLOBAL_VARIABLES]。

如果trainable属性被设置为True，该变量同时也会被添加到graph collection GraphKeys.TRAINABLE_VARIABLES.

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

# tf.Variable __init__(   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,   constraint=None )

2. tf.get_variable(…)

tf.get_variable(…)的返回值有两种情形：

使用指定的initializer来创建一个新变量；
当变量重用时，根据变量名搜索返回一个由tf.get_variable创建的已经存在的变量；

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

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

3. 根据名称查找变量

在创建变量时，即使我们不指定变量名称，程序也会自动进行命名。于是，我们可以很方便的根据名称来查找变量，这在抓取参数、finetune模型等很多时候都很有用。

示例1：

通过在tf.global_variables()变量列表中，根据变量名进行匹配搜索查找。 该种搜索方式，可以同时找到由tf.Variable或者tf.get_variable创建的变量。

?

1 2 3 4 5 6 7

import tensorflow as tf   x = tf.Variable(1,name='x') y = tf.get_variable(name='y',shape=[1,2]) for var in tf.global_variables():   if var.name == 'x:0':     print(var)

示例2：

利用get_tensor_by_name()同样可以获得由tf.Variable或者tf.get_variable创建的变量。
需要注意的是，此时获得的是Tensor, 而不是Variable，因此 x不等于x1.

?

1 2 3 4 5 6 7 8 9

import tensorflow as tf   x = tf.Variable(1,name='x') y = tf.get_variable(name='y',shape=[1,2])   graph = tf.get_default_graph()   x1 = graph.get_tensor_by_name("x:0") y1 = graph.get_tensor_by_name("y:0")

示例3：

针对tf.get_variable创建的变量，可以利用变量重用来直接获取已经存在的变量。

?

1 2 3 4 5 6 7 8 9 10

with tf.variable_scope("foo"):   bar1 = tf.get_variable("bar", (2,3)) # create   with tf.variable_scope("foo", reuse=True):   bar2 = tf.get_variable("bar") # reuse   with tf.variable_scope("", reuse=True): # root variable scope   bar3 = tf.get_variable("foo/bar") # reuse (equivalent to the above)   print((bar1 is bar2) and (bar2 is bar3))

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。