環境：Ubuntu14.04，tensorflow=1.4(bazel源碼安裝)，Anaconda python=3.6

聲明變量主要有兩種方法：tf.Variable和 tf.get_variable，二者的最大區別是：

(1) tf.Variable是一個類，自帶很多屬性函數；而 tf.get_variable是一個函數;

(2) tf.Variable只能生成獨一無二的變量，即如果給出的name已經存在，則會自動修改生成新的變量name;

(3) tf.get_variable可以用于生成共享變量。默認情況下，該函數會進行變量名檢查，如果有重復則會報錯。當在指定變量域中聲明可

以變量共享時，可以重復使用該變量(例如RNN中的參數共享)。

下面給出簡單的的示例程序：

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())

輸出結果為：

scope1/x1:0 [ 1.]

scope1/x1_1:0 [ 0.]

scope1/y1:0 1.0

scope1/y1:0 1.0

1. tf.Variable(…)

tf.Variable(…)使用給定初始值來創建一個新變量，該變量會默認添加到 graph collections listed in collections, which defaults to [GraphKeys.GLOBAL_VARIABLES]。

如果trainable屬性被設置為True，該變量同時也會被添加到graph collection GraphKeys.TRAINABLE_VARIABLES.

# 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(…)的返回值有兩種情形：

使用指定的initializer來創建一個新變量；

當變量重用時，根據變量名搜索返回一個由tf.get_variable創建的已經存在的變量；

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. 根據名稱查找變量

在創建變量時，即使我們不指定變量名稱，程序也會自動進行命名。于是，我們可以很方便的根據名稱來查找變量，這在抓取參數、finetune模型等很多時候都很有用。

示例1：

通過在tf.global_variables()變量列表中，根據變量名進行匹配搜索查找。 該種搜索方式，可以同時找到由tf.Variable或者tf.get_variable創建的變量。

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()同樣可以獲得由tf.Variable或者tf.get_variable創建的變量。

需要注意的是，此時獲得的是Tensor, 而不是Variable，因此 x不等于x1.

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：

針對tf.get_variable創建的變量，可以利用變量重用來直接獲取已經存在的變量。

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內容，希望對大家的學習有所幫助，也希望大家多多支持我們。

本文標題: tensorflow創建變量以及根據名稱查找變量

本文地址: http://www.cppcns.com/jiaoben/python/222160.html

總結

以上是生活随笔為你收集整理的python根据地址查看变量名_tensorflow创建变量以及根据名称查找变量的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。