Tensorflow教程: tf.Variable() 和tf.get_variable()

正文共364个字,预计阅读时间8分钟。

一、简介

tf.Variable()

1tf.Variable(initial_value=None, trainable=True,    collections=None, validate_shape=True, 
2caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, 
3import_scope=None)

tf.get_variable()

1tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, 
2trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, 
3custom_getter=None)

2、区别

1、使用tf.Variable时,如果检测到命名冲突,系统会自己处理。使用tf.get_variable()时,系统不会处理冲突,而会报错

1import tensorflow as tf
2w_1 = tf.Variable(3,name="w_1")
3w_2 = tf.Variable(1,name="w_1")
4print w_1.name
5print w_2.name
6#输出
7#w_1:0
8#w_1_1:0
1import tensorflow as tf
2
3w_1 = tf.get_variable(name="w_1",initializer=1)
4w_2 = tf.get_variable(name="w_1",initializer=2)
5#错误信息
6#ValueError: Variable w_1 already exists, disallowed. Did
7#you mean to set reuse=True in VarScope?

2、基于这两个函数的特性,当我们需要共享变量的时候,需要使用tf.get_variable()。在其他情况下,这两个的用法是一样的

 1 import tensorflow as tf
 2
 3 with tf.variable_scope("scope1"):
 4 w1 = tf.get_variable("w1", shape=[])
 5 w2 = tf.Variable(0.0, name="w2")
 6 with tf.variable_scope("scope1", reuse=True):
 7 w1_p = tf.get_variable("w1", shape=[])
 8 w2_p = tf.Variable(1.0, name="w2")
 9
10 print(w1 is w1_p, w2 is w2_p)
11 #输出
12 #True  False

由于tf.Variable() 每次都在创建新对象,所有reuse=True 和它并没有什么关系。对于get_variable(),来说,如果已经创建的变量对象,就把那个对象返回,如果没有创建变量对象的话,就创建一个新的。

3、实例

 1import os
 2os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 3
 4import tensorflow as tf
 5
 6x1 = tf.truncated_normal([200, 100], name='x1')
 7x2 = tf.truncated_normal([200, 100], name='x2')
 8
 9def two_hidden_layers_1(x):
10assert x.shape.as_list() == [200, 100]
11w1 = tf.Variable(tf.random_normal([100, 50]), name='h1_weights')
12b1 = tf.Variable(tf.zeros([50]), name='h1_biases')
13h1 = tf.matmul(x, w1) + b1
14assert h1.shape.as_list() == [200, 50]
15w2 = tf.Variable(tf.random_normal([50, 10]), name='h2_weights')
16b2 = tf.Variable(tf.zeros([10]), name='2_biases')
17logits = tf.matmul(h1, w2) + b2
18return logits
19
20def two_hidden_layers_2(x):
21assert x.shape.as_list() == [200, 100]
22w1 = tf.get_variable('h1_weights', [100, 50],  initializer=tf.random_normal_initializer())
23b1 = tf.get_variable('h1_biases', [50], initializer=tf.constant_initializer(0.0))
24h1 = tf.matmul(x, w1) + b1
25assert h1.shape.as_list() == [200, 50]
26w2 = tf.get_variable('h2_weights', [50, 10], initializer=tf.random_normal_initializer())
27b2 = tf.get_variable('h2_biases', [10], initializer=tf.constant_initializer(0.0))
28logits = tf.matmul(h1, w2) + b2
29return logits
30
31
32def fully_connected(x, output_dim, scope):
33with tf.variable_scope(scope, reuse=tf.AUTO_REUSE) as scope:
34w = tf.get_variable('weights', [x.shape[1], output_dim], initializer=tf.random_normal_initializer())
35b = tf.get_variable('biases', [output_dim], initializer=tf.constant_initializer(0.0))
36return tf.matmul(x, w) + b
37
38def two_hidden_layers_3(x):
39h1 = fully_connected(x, 50, 'h1')
40h2 = fully_connected(h1, 10, 'h2')
41return h2
42# with tf.variable_scope('two_layers') as scope:
43#     logits1 = two_hidden_layers_1(x1) 
44#     # scope.reuse_variables()
45#     logits2 = two_hidden_layers_1(x2)
46# 不会报错
47# ---------------
48
49# with tf.variable_scope('two_layers') as scope:
50#     logits1 = two_hidden_layers_2(x1)
51#     # scope.reuse_variables()
52#     logits2 = two_hidden_layers_2(x2)
53# 会报错
54# ---------------
55
56with tf.variable_scope('two_layers') as scope:
57logits1 = two_hidden_layers_3(x1)
58# scope.reuse_variables()
59logits2 = two_hidden_layers_3(x2)
60# 不会报错
61# -------
62writer = tf.summary.FileWriter('./graphs/cool_variables', tf.get_default_graph())
63writer.close()

原文链接:https://www.jianshu.com/p/2061b221cd8f

原文发布于微信公众号 - 人工智能LeadAI(atleadai)

原文发表时间:2018-06-22

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏算法修养

单调队列,单调栈总结

最近几天接触了单调队列,还接触了单调栈,就总结一下。 其实单调队列,和单调栈都是差不多的数据类型,顾名思义就是在栈和队列上加上单调,单调递增或者单调递减。当...

5488
来自专栏程序生活

Tensorflow教程(十三) tf.Variable() 和tf.get_variable()1 简介2 区别3 实例

2093
来自专栏chenjx85的技术专栏

leetcode-812-Largest Triangle Area

3749
来自专栏云端架构

【云端架构】教你口算MD5算法

对MD5算法简要的叙述可以为:MD5以512位分组来处理输入的信息,且每一分组又被划分为16个32位子分组,经过了一系列的处理后,算法的输出由四个32位分组组成...

59114
来自专栏书山有路勤为径

C++ vectors

现在,向量声明,cout和endl不再需要std ::,这让你的程序知道你的意思是标准库中的cout函

1013
来自专栏desperate633

LeetCode 149. Max Points on a Line分析代码

将x,y的差值求最大公约数,约到最简洁的形式,然后存入map中,对每个点这样操作,如果最后x,y最后相等,那么就说明两个点具有相同的斜率,在一条直线上。同时不要...

983
来自专栏desperate633

LintCode 旋转字符串题目分析代码

样例 对于字符串 "abcdefg". offset=0 => "abcdefg" offset=1 => "gabcdef" offset=2 => ...

1292
来自专栏数据结构与算法

洛谷P3391 【模板】文艺平衡树(Splay)(FHQ Treap)

题目背景 这是一道经典的Splay模板题——文艺平衡树。 题目描述 您需要写一种数据结构(可参考题目标题),来维护一个有序数列,其中需要提供以下操作:翻转一个区...

3205
来自专栏chenjx85的技术专栏

leetcode-77-组合

vector<vector<int>> combine(int n, int k) 

1521
来自专栏Python小屋

Python花式编程案例锦集(3)

严格来说,本文的2个代码不算花式编程,在Python中就应该是这样写。 1、生成包含20个随机数的列表,然后删除其中的所有奇数。 from random imp...

36013

扫码关注云+社区

领取腾讯云代金券