成都网站平面设计,wordpress导航栏的文件在哪,京东网上购物官方网站,网站快照不更新了变量的定义和使用
变量的定义与初始化
TensorFlow中#xff0c;变量是一种特殊的张量#xff0c;其值可以是一个任意类型的形状的张量。
与其他张量不同#xff0c;变量存在于单个回话调用的上下文之外#xff0c;主要作用是保存和更新模型中的参数。
声明变量通常使用…变量的定义和使用
变量的定义与初始化
TensorFlow中变量是一种特殊的张量其值可以是一个任意类型的形状的张量。
与其他张量不同变量存在于单个回话调用的上下文之外主要作用是保存和更新模型中的参数。
声明变量通常使用tf.Variable()函数其语法格式如表所示
函数说明 tf.Variable( initial_value, trainableTrue, collectionsNone, validate_shapeTrue, nameNone) 主要作用是声明一个变量。 initial_value必选指定变量的初始值。所有可转换为张量的类型均可。 trainable可选设置是否可以训练默认为True collections可选设置该图变量的类型默认为GraphKeys.GLOBAL_VARIABLES. validate_shape可选默认为True。如果为False则不进行类型和维度检查。 name变量名称。如果未指定会自动分配一个唯一的值。
tf.Variable()的主要作用是构造一个变量并添加到计算图模型中。在运行其他操作之前需要对所有变量进行初始化。
最简单的初始化方法是添加一个对所有变量进行初始化的操作然后在使用模型前运行此操作。
最常见的方式是运行tf.global_variables_initializer()函数进行全局初始化该函数会初始化计算图中所有的变量。
下面的代码演示了如何在模型中初始化变量
import tensorflow as tf
# tf.Variable()定义了一个1行3列的整型变量该变量的初始值为1,2,3
v tf.Variable([1,2,3],dtypetf.int32)
# tf.global_variables_initializer()定义了一个全局初始化操作。
init_op tf.global_variables_initializer()
with tf.Session() as sess:#在会话中运行sess.run()初始化模型中的所有变量sess.run(init_op)print(sess.run(v)) 随机初始化变量
在声明变量时需要指定初始化一般使用随机数给TensorFlow的变量初始化常见的初始化方法如下
函数说明 tf.random_normal( shape, mean0.0, stddev1.0, dtypetf.float32, seedNone) 产生一个符合正态分布的张量。 shape必选生成张量的形状。 mean可选正态分布的均值默认为0 stddev可选正态分布的标准差默认为1.0 dtype可选生成张量的类型默认为tf.float32. seed可选随机数种子是一个整数。当设置之后每次生成的随机数都一样 tf.trunceated_normal( shape, mean0, stddev1.0) 产生一个满足正态分布的张量当如果随机数偏离平均值超过2个标准差以上将会被重新分配一个随机数 shape必选生成张量的形状 mean可选正态分布的均值默认为0. stddev可选正态分布的标准差默认为1.0 tf.random_uniform( shape, minvallow, maxvalhigh, dtypetf.float32) 产生一个满足平均分布的张量 shape必选生成张量的形状 mean必选产生值的最小值 stddev必选产生值的最大值 dtype可选产生值的类型默认为float32
下面代码分别用不用的方式产生变量
import tensorflow as tf #导入TensorFlow类库别名为tf
#产生一个符合正态分布的2行3列张量均值为0方差为1随机种子为1
w1 tf.Variable(tf.random_normal([2,3],stddev1,seed1))
#产生一个截断的2行3列张量均值为0方差为1
w2 tf.truncated_normal(shape[2,3],mean0,stddev1)
#产生一个符合均匀分布的2行2列张量最小值为1.0最大值为2.0
w3 tf.random_uniform((2,2),minval1.0,maxval2.0,dtypetf.float32)
init_op tf.global_variables_initializer()
#在会话中初始化计算图中的所有变量
with tf.Session() as sess:sess.run(init_op)print(w1:,sess.run(w1))print(w2:,sess.run(w2))print(w3:,sess.run(w3)) 获取变量
除了可使用tf.Variable()创建变量还可以使用tf.get_variable()函数创建或获取变量。
tf.get_variable()函数用于创建变量时它和tf.Variable()的功能是等价的。
以下代码给出了通过两个函数创建变量的实例
m tf.Variable(tf.constant(1.0,shape[1],namem)) n tf.get_variable(shape[1],namen,initializertf.constant_initializer[1])
可以看出tf.Variable()和tf.get_variable()创建变量的过程是一样的两者最大的区别在于指定变量名称的参数不同。
tf.Variable()函数中变量名称是可选参数
tf.get_variable()函数中变量名是必选参数当变量名存在时将直接获取变量。
tf.get_variable()函数的语法格式如表
函数说明 tf.get_variable( name, shape, initializer ) 用来初始化或获取变量 name变量的名称必填 shape变量的形状必填 initializer变量初始化的方法选填
tf.get_variable()函数拥有一个变量检查机制会检测已经存在的变量是否设置为共享变量。
如果未设置为共享变量Tensorflow运行到第二个拥有相同名字变量的时候就会抛出异常错误。
共享变量
tf.variable_scope()函数用来指定变量的作用域。
不同作用域中的变量可以有相同的命名包括使用tf.get_variable()函数得到的变量以及tf.Variable()函数创建的变量。
tf.get_variable()常常会配合tf.variable_scope()一起使用以实现变量共享。tf.variable_scope()函数会生成上下文管理器并指定变量的作用域。
tf.variable_scope()里还有一个reuse True 属性表示使用已经定义过的变量这时tf.get_variable()不会创建新的变量而是直接获取已经创建好的变量。如果变量不存在则会报错。
下面代码使用了变量共享的功能
import tensorflow as tf
with tf.variable_scope(V1):a1 tf.get_variable(name a1,shape [1],initializer tf.constant_initializer(1))
with tf.variable_scope(V2):a2 tf.get_variable(name a1,shape [1],initializer tf.constant_initializer(1))
with tf.variable_scope(V2,reuse True):a3 tf.get_variable(a1)
with tf.Session() as sess:sess.run(tf.global_variables_initializer())print(a1.name)print(a2.name)print(a3.name)
2-3行代码在V1变量空间中定义变量a1
4-5行代码在V2变量空间中定义变量a1。由于两个a1位于不同的变量空间所以不会产生冲突
6-7行代码重用V2命名空间的a1变量。调用tf.get_variable()时会获取V2命名空间的a1变量的值
