一、函数意义：
1、tf.Variable() 变量
W = tf.Variable(<initial-value>, name=<optional-name>)用于生成一个初始值为initial-value的变量。必须指定初始化值
x = tf.Variable() x.initializer # 初始化单个变量 x.value() # 读取op x.assign() # 写入op x.assign_add() # 更多op x.eval() # 输出变量内容
2、tf.get_variable() 共享变量
原函数：
tf.get_variable(
name,
shape=None,
dtype=None,
initializer=None,
regularizer=None,
trainable=None,
collections=None,
caching_device=None,
partitioner=None,
validate_shape=True,
use_resource=None,
custom_getter=None,
constraint=None,
synchronization=tf.VariableSynchronization.AUTO,
aggregation=tf.VariableAggregation.NONE
)
例如：
W = tf.get_variable(name, shape=None, dtype=tf.float32, initializer=None,
regularizer=None, trainable=True, collections=None)
获取已存在的变量（要求不仅名字，而且初始化方法等各个参数都一样），如果不存在，就新建一个。
可以用各种初始化方法，不用明确指定值。
3、tf.placeholder() 传入变量
原函数：
tf.placeholder(dtype, shape=None, name=None)
placeholder 是 Tensorflow 中的占位符，暂时储存变量.
Tensorflow 如果想要从外部传入data, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据
sess.run(***, feed_dict={input: **}).
4、tf.constant() 常量(保存模型的时候也会保存这个常量）
原函数：
tf.constant(
value,
dtype=None,
shape=None,
name='Const',
verify_shape=False
)
二、函数对比：
tf.Variable() 和 tf.get_variable() 的区别
1. 初始化更方便
比如用xavier_initializer:
W = tf.get_variable("W", shape=[784, 256],
initializer=tf.contrib.layers.xavier_initializer())
2. 方便共享变量
因为tf.get_variable() 会检查当前命名空间下是否存在同样name的变量，可以方便共享变量。
而tf.Variable 每次都会新建一个变量。
需要注意的是tf.get_variable() 要配合reuse和tf.variable_scope() 使用。
所以推荐使用tf.get_variable()
3、代码示例
在 Tensorflow 当中有两种途径生成变量 variable, 一种是 tf.get_variable(), 另一种是 tf.Variable().
- 如果想要达到重复利用变量的效果, 我们就要使用
tf.variable_scope(), 并搭配tf.get_variable()这种方式产生和提取变量. - 不像
tf.Variable()每次都会产生新的变量,tf.get_variable()如果遇到了同样名字的变量时, 它会单纯的提取这个同样名字的变量(避免产生新变量). - 而在重复使用的时候, 一定要在代码中强调
scope.reuse_variables(), 否则系统将会报错, 以为你只是单纯的不小心重复使用到了一个变量.
with tf.variable_scope("a_variable_scope") as scope:
initializer = tf.constant_initializer(value=3)
var3 = tf.get_variable(name='var3', shape=[1], dtype=tf.float32, initializer=initializer)
scope.reuse_variables()# 如果不写这句话，就会报错，明明重复，声明var3 下面还会使用
var3_reuse = tf.get_variable(name='var3',)
var4 = tf.Variable(name='var4', initial_value=[4], dtype=tf.float32)
var4_reuse = tf.Variable(name='var4', initial_value=[4], dtype=tf.float32)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(var3.name) # a_variable_scope/var3:0
print(sess.run(var3)) # [ 3.]
print(var3_reuse.name) # a_variable_scope/var3:0
print(sess.run(var3_reuse)) # [ 3.]
print(var4.name) # a_variable_scope/var4:0
print(sess.run(var4)) # [ 4.]
print(var4_reuse.name) # a_variable_scope/var4_1:0
print(sess.run(var4_reuse)) # [ 4.]
4、tf.name_scope() 和 tf.variable_scope() 对比
来源莫烦：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/5-12-scope/
import tensorflow as tf
with tf.name_scope("a_name_scope"):
initializer = tf.constant_initializer(value=1)
var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32, initializer=initializer)
var2 = tf.Variable(name='var2', initial_value=[2], dtype=tf.float32)
var21 = tf.Variable(name='var2', initial_value=[2.1], dtype=tf.float32)
var22 = tf.Variable(name='var2', initial_value=[2.2], dtype=tf.float32)
with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
print(var1.name) # var1:0
print(sess.run(var1)) # [ 1.]
print(var2.name) # a_name_scope/var2:0
print(sess.run(var2)) # [ 2.]
print(var21.name) # a_name_scope/var2_1:0
print(sess.run(var21)) # [ 2.0999999]
print(var22.name) # a_name_scope/var2_2:0
print(sess.run(var22)) # [ 2.20000005]
可以看出使用 tf.Variable() 定义的时候, 虽然 name 都一样, 但是为了不重复变量名, Tensorflow 输出的变量名并不是一样的.
所以, 本质上 var2, var21, var22 并不是一样的变量. 而另一方面, 使用tf.get_variable()定义的变量不会被tf.name_scope()当中的名字所影响.
5、训练和测试时参数复用
让 train_rnn 和 test_rnn 在同一个 tf.variable_scope('rnn') 之下，并且定义 scope.reuse_variables(), 使我们能把 train_rnn 的所有 weights, biases 参数全部绑定到 test_rnn 中.
这样，不管两者的 time_steps 有多不同, 结构有多不同, train_rnn W, b 参数更新成什么样, test_rnn 的参数也更新成什么样.
with tf.variable_scope('rnn') as scope:
sess = tf.Session()
train_rnn = RNN(train_config)
scope.reuse_variables()# 这句话表示，所有训练中的参数，在测试中都能使用，如果不写，会报错
test_rnn = RNN(test_config)
sess.run(tf.global_variables_initializer())
三、初始化变量：
初始化所有变量：
init = tf.global_variables_initializer() with tf.Session() as sess:
sess.run(init)
初始化一个变量子集：
init_ab = tf.variables_initializer([a, b], name = "init_ab") with tf.Session() as sess:
sess.run(init_ab)
初始化单个变量：
W = tf.Variable(tf.zeros([784, 10])) with tf.Session() as sess:
sess.run(W.initializer)
随机数，生成器：
| 函数名 | 随机数分布 | 主要参数 |
|---|---|---|
| tf.random_normal | 正态分布 | 平均值、标准差、取值类型 |
| tf.truncated_normal | 正态分布，如果随机数偏离均值超过2个标准差，就重新随机 | 平均值、标准差、取值类型 |
| tf.random_uniform | 平均分布 | 最小值、最大值、取值类型 |
| tf.random_gamma | gamma分布 | 形状参数alpha、尺度参数beta、取值类型 |