Variable

tensorflow中有兩個關于variable的op，tf.Variable()與tf.get_variable()下面介紹這兩個的區別
使用tf.Variable時，如果檢測到命名沖突，系統會自己處理。使用tf.get_variable()時，系統不會處理沖突，而會報錯

import tensorflow as tf w_1 = tf.Variable(3,name="w_1") w_2 = tf.Variable(1,name="w_1") print w_1.name print w_2.name #輸出 #w_1:0 #w_1_1:0
import tensorflow as tfw_1 = tf.get_variable(name="w_1",initializer=1) w_2 = tf.get_variable(name="w_1",initializer=2) #錯誤信息 #ValueError: Variable w_1 already exists, disallowed. Did #you mean to set reuse=True in VarScope?

基于這兩個函數的特性，當我們需要共享變量的時候，需要使用tf.get_variable()。在其他情況下，這兩個的用法是一樣的

• tf.get_variable() 以及 tf.Variable() 是 TensorFlow 中創建變量的兩種主要方式；
• 如果在 tf.name_scope() 環境下分別使用 tf.get_variable() 和 tf.Variable()，兩者的主要區別在于
• • tf.get_variable() 創建的變量名不受 name_scope 的影響；
  • tf.get_variable() 創建的變量，name 屬性值不可以相同；tf.Variable() 創建變量時，name 屬性值允許重復（底層實現時，會自動引入別名機制

import tensorflow as tfwith tf.variable_scope("scope1"):w1 = tf.get_variable("w1", shape=[])w2 = tf.Variable(0.0, name="w2") with tf.variable_scope("scope1", reuse=True):w1_p = tf.get_variable("w1", shape=[])w2_p = tf.Variable(1.0, name="w2")assert w1 == w1_p assert w2 != w2_p get_variable() 函數的行為依賴于 reuse 的狀態：

• case1：reuse 設置為 False，創建并返回新變量：

  with tf.variable_scope('foo'):v = tf.get_variable('v', [1]) assert v.name == 'foo/v:0
  

• case2：reuse 設置為 True，將會按照給定的名字在以存的變量中搜尋：

  with tf.variable_scope('foo'):v = tf.get_variable('v', [1]) with tf.variable_scope('foo', reuse=True):v1 = tf.get_variable('v') assert v1 == v
  

看到這，就可以明白官網上說的參數復用的真面目了。由于 tf.Variable() 每次都在創建新對象，所有 reuse=True 和它并沒有什么關系。對于 get_variable()，來說，如果已經創建的變量對象，就把那個對象返回，如果沒有創建變量對象的話，就創建一個新的。

variable_scope()

一個雙層嵌套名稱空間：

with tf.variable_scope('foo'):with tf.variable_scope('bar'):v = tf.get_variable('v', [1]) assert v.name == 'foo/bar/v:0'

with tf.name_scope('foo'):with tf.variable_scope('bar'):v = tf.get_variable('v', [1]) assert v.name == 'bar/v:0'

總結

以上是生活随笔為你收集整理的TensorFlow学习笔记(1)：variable与get_variable, name_scope()和variable_scope()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。