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,

trainable=True,

collections=None,

validate_shape=True,

name=None)

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],dtype=tf.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,

mean=0.0,

stddev=1.0,

dtype=tf.float32,

seed=None)

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,

mean=0,

stddev=1.0)

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,

minval=low,

maxval=high,

dtype=tf.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],stddev=1,seed=1))
#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],mean=0,stddev=1)
#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),minval=1.0,maxval=2.0,dtype=tf.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],name="m"))
n = tf.get_variable(shape=[1],name="n",initializer=tf.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

TensorFlow构建二维数据拟合模型（2）相关推荐

TensorFlow构建二维数据拟合模型（1）
知识图谱 TensorFlow运行机制 TensorFlow是基于计算图的深度学习编程模型 Tensor表示张量,其实质上是某种类型的多维数组 Flow表示基于数据流图的计算,实质上是张量在不同节点间 ...
TensorFlow构建二维数据拟合模型（3）
占位符与数据喂入机制 placeholder是TensorFlow提供的占位符节点,由tf.placeholder()函数创建,其实质上也是一种变量.占位符没有初始值,只会分配必要的内存,其值由会话中 ...
matlab创建二叉树（二维数据）
一.学习要点 1.注意matlab中全局变量与局部变量的区别:本文中assigned_nn为局部变量,每一次递归中的值都是不一样的,node_nubmer为全局变量,当前值的改变如递增,必回影响以后每 ...
如何将多个一维列表转化为二维列表_数据分析2_如何处理一维、二维数据
吞一块大饼,还不如切成小块吃得香常见的数据集,要么是数列,要么是表格: 因此,数据分析最首要的是,处理一维.二维数据. 主要知识点可参考如图. 如需要,可点击以下百度网盘链接下载数据分析基础知识图P ...
K-means 算法实现二维数据聚类
所谓聚类分析,就是给定一个元素集合D,其中每个元素具有n个观测属性,对这些属性使用某种算法将D划分成K个子集,要求每个子集内部的元素之间相似度尽可能高,而不同子集的元素相似度尽可能低.聚类分析是一种无 ...
文本聚类分析算法_Kmeans 算法实现二维数据聚类
所谓聚类分析,就是给定一个元素集合D,其中每个元素具有n个观测属性,对这些属性使用某种算法将D划分成K个子集,要求每个子集内部的元素之间相似度尽可能高,而不同子集的元素相似度尽可能低.聚类分析是一种无 ...
Python一维二维数据的格式化和处理
本章导言什么是数据格式化前言: -学完本章,看待数据会有一种规范/格式化的视角 -方法论:从Python角度理解文件和数据表示 -实践能力:学会编写带有文件输入输出的程序 1. 数据组织的维度维 ...
【数据挖掘】数据挖掘总结 ( K-Means 聚类算法 | 二维数据的 K-Means 聚类 ) ★
文章目录一. K-Means 聚类算法流程二. 二维数据的 K-Means 聚类 1. 第一次迭代 2. 第二次迭代参考博客 : [数据挖掘]聚类算法简介 ( 基于划分的聚类方法 | 基于层次 ...
【数据挖掘】K-Means 二维数据聚类分析 ( K-Means 迭代总结 | K-Means 初始中心点选择方案 | K-Means 算法优缺点 | K-Means 算法变种 )
文章目录 K-Means 二维数据聚类分析数据样本及聚类要求二维数据曼哈顿距离计算 K-Means 算法步骤第一次迭代 : 步骤 ( 1 ) 中心点初始化第一次迭代 : 步骤 ( 2 ) ...

TensorFlow构建二维数据拟合模型（2）

变量的定义和使用

变量的定义与初始化

随机初始化变量

获取变量

共享变量

TensorFlow构建二维数据拟合模型（2）相关推荐

最新文章

热门文章