TensorFlow变量管理

TensorFlow变量管理

 

 

 

一、TensorFlow变量管理

1. TensorFLow还提供了tf.get_variable函数来创建或者获取变量，tf.variable用于创建变量时，其功能和tf.Variable基本是等价的。tf.get_variable中的初始化方法（initializer）的参数和tf.Variable的初始化过程也类似，initializer函数和tf.Variable的初始化方法是一一对应的，详见下表。

 

tf.get_variable和tf.Variable最大的区别就在于指定变量名称的参数。对于tf.Variable函数，变量名称是一个可选的参数，通过name=”v”的形式给出，对于tf.get_variable函数，变量名称是一个必填的参数，tf.get_variable会根据这个名称去创建或者获取变量。

2. 通过tf.variable_scope函数可以控制tf.get_variable函数的语义。当tf.variable_scope函数的参数reuse=True生成上下文管理器时，该上下文管理器内的所有的tf.get_variable函数会直接获取已经创建的变量，如果变量不存在则报错；当tf.variable_scope函数的参数reuse=False或者None时创建的上下文管理器中，tf.get_variable函数则直接创建新的变量，若同名的变量已经存在则报错。

3. 另tf.variable_scope函数是可以嵌套使用的。嵌套的时候，若某层上下文管理器未声明reuse参数，则该层上下文管理器的reuse参数与其外层保持一致。

4.tf.variable_scope函数提供了一个管理变量命名空间的方式。在tf.variable_scope中创建的变量，名称.name中名称前面会加入命名空间的名称，并通过“/”来分隔命名空间的名称和变量的名称。tf.get_variable("foou/baru/u", [1])，可以通过带命名空间名称的变量名来获取其命名空间下的变量。

二、TensorFlow编程演示

import tensorflow as tf   # 在名字为foo的命名空间内创建名字为v的变量 with tf.variable_scope("foo"):     v = tf.get_variable("v", [1], initializer=tf.constant_initializer(1.0))   ''' # 因为命名空间foo内已经存在变量v，再次创建则报错 with tf.variable_scope("foo"):     v = tf.get_variable("v", [1]) # ValueError: Variable foo/v already exists, disallowed. # Did you mean to set reuse=True in VarScope? ''' # 将参数reuse参数设置为True，则tf.get_variable可直接获取已声明的变量 with tf.variable_scope("foo", reuse=True):     v1 = tf.get_variable("v", [1])     print(v == v1) # True   ''' # 当reuse=True时，tf.get_variable只能获取指定命名空间内的已创建的变量 with tf.variable_scope("bar", reuse=True):     v2 = tf.get_variable("v", [1]) # ValueError: Variable bar/v does not exist, or was not created with # tf.get_variable(). Did you mean to set reuse=None in VarScope? '''   with tf.variable_scope("root"):     # 通过tf.get_variable_scope().reuse函数获取当前上下文管理器内的reuse参数取值     print(tf.get_variable_scope().reuse) # False       with tf.variable_scope("foo1", reuse=True):         print(tf.get_variable_scope().reuse) # True           with tf.variable_scope("bar1"):             # 嵌套在上下文管理器foo1内的bar1内未指定reuse参数，则保持与外层一致             print(tf.get_variable_scope().reuse) # True       print(tf.get_variable_scope().reuse) # False   # tf.variable_scope函数提供了一个管理变量命名空间的方式 u1 = tf.get_variable("u", [1]) print(u1.name) # u:0 with tf.variable_scope("foou"):     u2 = tf.get_variable("u", [1])     print(u2.name) # foou/u:0   with tf.variable_scope("foou"):     with tf.variable_scope("baru"):         u3 = tf.get_variable("u", [1])         print(u3.name) # foou/baru/u:0       u4 = tf.get_variable("u1", [1])     print(u4.name) # foou/u1:0   # 可直接通过带命名空间名称的变量名来获取其命名空间下的变量 with tf.variable_scope("", reuse=True):     u5 = tf.get_variable("foou/baru/u", [1])     print(u5.name)  # foou/baru/u:0     print(u5 == u3) # True     u6 = tf.get_variable("foou/u1", [1])     print(u6.name)  # foou/u1:0     print(u6 == u4) # True

--------------------- 作者：marsjhao 来源：CSDN 原文：https://blog.csdn.net/marsjhao/article/details/72829806 版权声明：本文为博主原创文章，转载请附上博文链接！