tensorflow创建变量以及根据名称查找变量

曾经终败给现在 2022-04-13 09:46 169阅读 0赞

原文来源于：[https://www.jb51.net/article/136172.htm][https_www.jb51.net_article_136172.htm]  
声明变量主要有两种方法：tf.Variable和 tf.get\_variable，二者的最大区别是：  
(1) tf.Variable是一个类，自带很多属性函数；而 tf.get\_variable是一个函数;  
(2) tf.Variable只能生成独一无二的变量，即如果给出的name已经存在，则会自动修改生成新的变量name;  
(3) tf.get\_variable可以用于生成共享变量。默认情况下，该函数会进行变量名检查，如果有重复则会报错。当在指定变量域中声明可  
以变量共享时，可以重复使用该变量（例如RNN中的参数共享）。  
下面给出简单的的示例程序：

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())

输出结果为：  
scope1/x1:0 \[ 1.\]  
scope1/x1\_1:0 \[ 0.\]  
scope1/y1:0 1.0  
scope1/y1:0 1.0

# tf.Variable(…) #

tf.Variable(…)使用给定初始值来创建一个新变量，该变量会默认添加到 graph collections listed in collections, which defaults to \[GraphKeys.GLOBAL\_VARIABLES\]。  
如果trainable属性被设置为True，该变量同时也会被添加到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  
)

# tf.get\_variable(…) #

tf.get\_variable(…)的返回值有两种情形：  
使用指定的initializer来创建一个新变量；  
当变量重用时，根据变量名搜索返回一个由tf.get\_variable创建的已经存在的变量；  
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  
)

# 根据名称查找变量 #

在创建变量时，即使我们不指定变量名称，程序也会自动进行命名。于是，我们可以很方便的根据名称来查找变量，这在抓取参数、finetune模型等很多时候都很有用。  
示例1：  
通过在tf.global\_variables()变量列表中，根据变量名进行匹配搜索查找。 该种搜索方式，可以同时找到由tf.Variable或者tf.get\_variable创建的变量。

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()同样可以获得由tf.Variable或者tf.get\_variable创建的变量。  
需要注意的是，此时获得的是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：  
针对tf.get\_variable创建的变量，可以利用变量重用来直接获取已经存在的变量。

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内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。

[https_www.jb51.net_article_136172.htm]: https://www.jb51.net/article/136172.htm