TensorFlow 变量共享: get

上次说到了 TensorFlow 从文件读取数据，这次我们来谈一谈变量共享的问题。

为什么要共享变量？我举个简单的例子：例如，当我们研究生成对抗网络GAN的时候，判别器的任务是，如果接收到的是生成器生成的图像，判别器就尝试优化自己的网络结构来使自己输出0，如果接收到的是来自真实数据的图像，那么就尝试优化自己的网络结构来使自己输出1。也就是说，生成图像和真实图像经过判别器的时候，要共享同一套变量，所以TensorFlow引入了变量共享机制。

变量共享主要涉及到两个函数： tf.get_variable(<name>, <shape>, <initializer>) 和 tf.variable_scope(<scope_name>)。

先来看第一个函数： tf.get_variable。

tf.get_variable 和tf.Variable不同的一点是，前者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，如果已经存在的变量没有设置为共享变量，TensorFlow 运行到第二个拥有相同名字的变量的时候，就会报错。

例如如下代码：

def my_image_filter(input_images):conv1_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]),name="conv1_weights")conv1_biases = tf.Variable(tf.zeros([32]), name="conv1_biases")conv1 = tf.nn.conv2d(input_images, conv1_weights,strides=[1, 1, 1, 1], padding='SAME')return  tf.nn.relu(conv1 + conv1_biases)

有两个变量(Variables)conv1_weighs, conv1_biases和一个操作(Op)conv1，如果你直接调用两次，不会出什么问题，但是会生成两套变量；

# First call creates one set of 2 variables.
result1 = my_image_filter(image1)
# Another set of 2 variables is created in the second call.
result2 = my_image_filter(image2)

如果把 tf.Variable 改成 tf.get_variable，直接调用两次，就会出问题了：

result1 = my_image_filter(image1)
result2 = my_image_filter(image2)
# Raises ValueError(... conv1/weights already exists ...)

为了解决这个问题，TensorFlow 又提出了 tf.variable_scope 函数：它的主要作用是，在一个作用域 scope 内共享一些变量，可以有如下几种用法：

1）

with tf.variable_scope("image_filters") as scope:result1 = my_image_filter(image1)scope.reuse_variables() # or #tf.get_variable_scope().reuse_variables()result2 = my_image_filter(image2)

需要注意的是：最好不要设置 reuse 标识为 False，只在需要的时候设置 reuse 标识为 True。

with tf.variable_scope("image_filters1") as scope1:result1 = my_image_filter(image1)
with tf.variable_scope(scope1, reuse = True)result2 = my_image_filter(image2)

通常情况下，tf.variable_scope 和 tf.name_scope 配合，能画出非常漂亮的流程图，但是他们两个之间又有着细微的差别，那就是 name_scope 只能管住操作 Ops 的名字，而管不住变量 Variables 的名字，看下例：

with tf.variable_scope("foo"):with tf.name_scope("bar"):v = tf.get_variable("v", [1])x = 1.0 + v
assert v.name == "foo/v:0"
assert x.op.name == "foo/bar/add"

TensorFlow 变量共享: get_variable相关推荐

tensorflow变量共享——VariableScope的reuse模式、tf.get_variable()、tf.Variable() 探索
文章目录一.VariableScope的reuse模式的设置 1.1节 1.2节 1.3节 1.4节 1.5节二.reuse模式对tf.Variable() 的影响三.reuse模式对tf.ge ...
TensorFlow 变量共享，命名空间
原文出处: http://blog.csdn.NET/Jerr__y/article/details/70809528 前言: 本例子主要介绍 name_scope 和 variable_scope ...
Tensorflow 变量的共享
https://github.com/chenghuige/tensorflow-exp/blob/master/examples/sparse-tensor-classification/ tens ...
深度学习tensorflow变量op
#-*-coding:utf-8-*- import tensorflow as tf #创建变量op #初始化的值 intit_value_1=tf.random_normal(dtype=tf.f ...
Tensorflow变量作用域及变量初始化
本文主要讲述Tensorflow中的变量作用域及变量初始化.先来区分几个概念: tf.name_scope():为了更好地管理变量的命名空间而提出的.比如在 tensorboard 中,因为引入了 n ...
14、TensorFLow 变量命名空间
一.name_scope with tf.name_scope(name): name_scope: 为了更好地管理变量的命名空间而提出的.比如在 tensorboard 中,因为引入了 name_s ...
Java多线程编程：变量共享分析（Thread）
Java多线程编程:变量共享分析(Thread) Java 创建线程的两种方法此处只简单讲下自己对java多线程变量共享的理解: 按照进程和多线程的原理,同一进程内的多个线程之间的地址空间是共享的( ...
java多线程安全解决方案_《Java多线程编程核心技术（第2版）》 —1.2.8　实例变量共享造成的非线程安全问题与解决方案...
1.2.8 实例变量共享造成的非线程安全问题与解决方案自定义线程类中的实例变量针对其他线程可以有共享与不共享之分,这在多个线程之间交互时是很重要的技术点. 1.不共享数据的情况不共享数据的情况如图 ...
Java多线程变量共享与隔离
文章目录线程相关线程的相关API 线程的调度线程的优先级方法和变量的线程安全问题静态方法非静态方法静态变量实例变量局部变量变量共享共享变量线程安全问题可见性可见性举例共享变 ...
tensorflow 变量及命名空间 tf.Variable() vs tf.get_variable() tf.name_scope() vs tf.variable_scope()
tf.Variable() vs tf.get_variable() tf.name_scope() vs tf.variable_scope() 1. 基础功能 1.1 tf.Variable() ...

TensorFlow 变量共享: get_variable

TensorFlow 变量共享: get_variable相关推荐

最新文章

热门文章