TensorFlow修炼之道（2）——变量（Variable）
TensorFlow修炼之道（2）——变量（Variable）
文章内容：TensorFlow 变量
变量
变量（Variable）是 TensorFlow 中程序处理的共享持久状态的最佳方法。与常量不同的时，常量创建后，值便无法更改，但是变量创建后 可以修改。并且修改后的值在多个Session中都是可以看见的。
训练模型时，需要使用变量(Variable)保存和更新参数。变量是包含张量(tensor)的内存缓冲。变量必须要先被 初始化(initialize) ，而且可以在训练时和训练后保存(save)到磁盘中。之后可以再恢复(restore)保存的变量值来训练和测试模型。
创建变量
创建变量有两种方式，一种是使用 tf.Variable 来创建一个新的变量，另一种是使用 tf.get_variable 来获取一个已经存在的变量或者创建一个新的变量。
tf.Variable 需要接收一个 Tensor 给构造函数，也可以自定义结点名称和数据类型。这里使用 tf.random_normal 来生成一个均值为1，标准差0.2，形状为(2, 5)的张量。使用 tf.Variable 时，如果检测到命名冲突，系统会自动处理。
import tensorflow as tf
w1 = tf.Variable(tf.random_normal((2, 5), mean=1, stddev=0.2), name="w1")
w2 = tf.Variable(tf.random_normal((2, 5), mean=1, stddev=0.2), name="w1")
print("w1.name: %s, w2.name: %s" % (w1.name, w2.name))w1.name: w1:0, w2.name: w1_1:0可以看出，当已经存在一个相同结点的名称后，tf.Variable 会自动添加“_1”等后缀来做区分。使用 tf.get_variable来创建变量时,结合 tf.variable_scope 可以实现共享变量。
with tf.variable_scope("scope"):
# 这里创建的变量名将命名为 "scope/b"
b1 = tf.get_variable(name="b", shape=[2, 5], initializer=tf.constant_initializer(1.0))
print(b1)<tf.Variable 'scope/b:0' shape=(2, 5) dtype=float32_ref>接下来使用 with 和 tf.variable_scope 来生成一个上下文管理器，需要注意的是，在 tf.variable_scope 中，需要指定 reuse=True ，否则会出错。
with tf.variable_scope("scope", reuse=True):
b2 = tf.get_variable(name="b", shape=[2, 5])
print(b2)
print(b1 is b2)<tf.Variable 'scope/b:0' shape=(2, 5) dtype=float32_ref>
True可以看到，b1 和 b2 是同一个变量。
设备放置
像任何其它TensorFlow操作一样，你可以将变量放置到特定的设备上。
语法结构为：with tf.device(…): block，下面创建一个名为v的变量，并将其放在第一个GPU设备上
with tf.device("/gpu:0"):
v = tf.get_variable("v", [1])变量集合
TensorFlow 支持将变量存放在集合（collection）中，以便于在不同地方使用。TensorFlow 中每个集合都是一个列表，并且有一个名称（可以是任何字符串）。可以通过 tf.get_collection 方法来获取不同名称的集合。
默认情况下，每个变量会被存放在 tf.GraphKeys.GLOBAL_VARIABLES 和 tf.GraphKeys.TRAINABLE_VARIABLES 这两个集合中。此外，也可以通过 tf.add_to_collection 手动添加变量到集合中。
print("%s: \n%s\n" % (tf.GraphKeys.GLOBAL_VARIABLES, tf.get_collection(tf.GraphKeys.GLOBAL_VARIABLES)))
print("%s: \n%s\n" % (tf.GraphKeys.TRAINABLE_VARIABLES, tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)))
# 手动添加变量 w1/b1 到集合 my_col 中
tf.add_to_collection("my_col", w1)
tf.add_to_collection("my_col", b1)
print("my_col: \n%s" % tf.get_collection("my_col"))variables:
[<tf.Variable 'w1:0' shape=(2, 5) dtype=float32_ref>, <tf.Variable 'w1_1:0' shape=(2, 5) dtype=float32_ref>, <tf.Variable 'scope/b:0' shape=(2, 5) dtype=float32_ref>, <tf.Variable 'v:0' shape=(1,) dtype=float32_ref>]
trainable_variables:
[<tf.Variable 'w1:0' shape=(2, 5) dtype=float32_ref>, <tf.Variable 'w1_1:0' shape=(2, 5) dtype=float32_ref>, <tf.Variable 'scope/b:0' shape=(2, 5) dtype=float32_ref>, <tf.Variable 'v:0' shape=(1,) dtype=float32_ref>]
my_col:
[<tf.Variable 'w1:0' shape=(2, 5) dtype=float32_ref>, <tf.Variable 'scope/b:0' shape=(2, 5) dtype=float32_ref>]初始化变量
在使用变量之前，它必须被初始化。在低级TensorFlow API中编程（需要自己明确地创建图和会话），必须显式初始化变量。大多数高级框架，如tf.contrib.slim、tf.estimator.Estimator和Keras在训练模型之前自动初始化变量。
要在训练开始前一次初始化所有可训练的变量，可以调用 tf.global_variables_initializer() 来完成。如果只想初始化某个变量，可以调用变量的 .initializer属性。在初始化变量之前，可以使用 tf.report_uninitialized_variables() 来查看尚未被初始化的变量的名称。
with tf.Session() as sess:
# 查看当前未初始化的变量名称
print(sess.run(tf.report_uninitialized_variables()))
# 初始化变量 w1
sess.run(w1.initializer)
print(sess.run(tf.report_uninitialized_variables()))
# 初始化所有变量
sess.run(tf.global_variables_initializer())
print(sess.run(tf.report_uninitialized_variables()))[b'w1' b'w1_1' b'scope/b' b'v']
[b'w1_1' b'scope/b' b'v']
[]可以看到，调用变量的 initializer 属性只会初始化该变量，调用 tf.global_variables_initializer() 会初始化所有变量。
使用变量
在 TensorFlow 使用变量时，只需要像对待普通的张量（Tensor）来对待它就可以了。对变量进行操作后，生成的结果会是一个张量。
o1 = w1 + b1
with tf.Session() as sess:
# 使用变量前需要进行初始化，这里可以不用进行初始化，
# 因为在上一节的 "初始化变量" 时已经初始过了，这里只是为了保证流程完整，所以加上了。
sess.run(tf.global_variables_initializer())
print(sess.run(o1))[[1.9957633 2.0741634 1.6809903 1.7901803 2.1854873]
[1.8982319 2.2382631 1.7602906 1.9434371 2.0995731]]作者：无邪，个人博客：脑洞大开，专注于机器学习研究。