关于TensorFlow的Variable

在学习TensorFlow的Variable时遇到了几个问题，在此记录下

第一个例子

#最简单的一个例子-----------------------------------------
a = 3
# 第一步，Create a variable.
w = tf.Variable([[0.5,1.0]])
x = tf.Variable([[2.0],[1.0]])
#第二步，做矩阵相乘
y = tf.matmul(w, x)


with tf.Session() as sess:
     tf.global_variables_initializer().run()  #第一种方法，直接全局初始化
     
     sess.run(x.initializer)        #第二种方法，单独初始化x(当然，只初始化x无法打印y，必须初始化x和w，而y不用初始化)
     print (y.eval())     #第一种输出y的方法
     print(sess.run(y))   #第二种输出y的方法

第二个例子，用tf函数创造variable

import tensorflow as tf

x=tf.Variable(tf.random_normal((2,3),stddev=1))

with tf.Session() as sess:
     tf.global_variables_initializer().run()
     print(sess.run(x))

输出结果：

上面例子说明varibale可以传tf的函数来构造,此函数式创建（2，3）的variable类型的二维数组，每个数用正态分布构造，标准差是1

第三个例子，用constant创造variable

import tensorflow as tf

x=tf.Variable(tf.constant(1.0,shape=[2,3]),name='x')  #name可以省略

with tf.Session() as sess:
     tf.global_variables_initializer().run()
     print(sess.run(x))

输出为：

第四个例子

variable与get_variable的区别（简述）

import tensorflow as tf

x=tf.Variable(tf.constant(1.0,shape=[2,3]),'x')
y=tf.get_variable("y",shape=[2,3],initializer=tf.constant_initializer(1.0))
#y1=tf.get_variable(tf.constant(1.0,shape=[2,3]),'y1')   #会报错

with tf.Session() as sess:
     tf.global_variables_initializer().run()
     print(sess.run(x))
     print(sess.run(y))
     #print(sess.run(y1))

get_variable与Variable传入参数有所不同，主要区别是前者name为必传参数，后者可以没有name，另外就是前者与variable_scope配合使用，这里不做详细描述

注意：get_variable经常的用法是传入name和shape，initializer可以不传，initializer并不代表初始化了此变量，要用此变量还是需要初始化

第五个例子：variable_scope简单实例

import tensorflow as tf

with tf.variable_scope('scope1',reuse=False):
     y=tf.get_variable("y",shape=[2,3],initializer=tf.constant_initializer(1.0))
     with tf.Session() as sess:
         tf.global_variables_initializer().run()
         print(sess.run(y))

with tf.variable_scope('scope1',reuse=True):
     y1=  tf.get_variable("y",shape=[2,3],initializer=tf.constant_initializer(2.0))
     with tf.Session() as sess:
         tf.global_variables_initializer().run()
         print(sess.run(y1))

可以看出，在reuse=False时是创建变量，一旦变量被创建，则可以在同一个名字的scope中使用（此时reuse=True），即使

重新设置了不同的initializer，输出仍为原始：

关于TensorFlow的Variable

猜你喜欢