七月 上海 | 高性能计算之GPU CUDA培训

7月27-29日三天密集式学习  快速带你入门阅读全文>

正文共364个字，预计阅读时间8分钟。

一、简介

tf.Variable()

1tf.Variable(initial_value=None, trainable=True,    collections=None, validate_shape=True, 2caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, 3import_scope=None)

tf.get_variable()

1tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, 2trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, 3custom_getter=None)

2、区别

1、使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会处理冲突，而会报错

1import tensorflow as tf2w_1 = tf.Variable(3,name="w_1")3w_2 = tf.Variable(1,name="w_1")4print w_1.name5print w_2.name6#输出7#w_1:08#w_1_1:0

1import tensorflow as tf23w_1 = tf.get_variable(name="w_1",initializer=1)4w_2 = tf.get_variable(name="w_1",initializer=2)5#错误信息6#ValueError: Variable w_1 already exists, disallowed. Did7#you mean to set reuse=True in VarScope?

2、基于这两个函数的特性，当我们需要共享变量的时候，需要使用tf.get_variable()。在其他情况下，这两个的用法是一样的

 1 import tensorflow as tf 2 3 with tf.variable_scope("scope1"): 4 w1 = tf.get_variable("w1", shape=[]) 5 w2 = tf.Variable(0.0, name="w2") 6 with tf.variable_scope("scope1", reuse=True): 7 w1_p = tf.get_variable("w1", shape=[]) 8 w2_p = tf.Variable(1.0, name="w2") 910 print(w1 is w1_p, w2 is w2_p)11 #输出12 #True  False

由于tf.Variable() 每次都在创建新对象，所有reuse=True 和它并没有什么关系。对于get_variable()，来说，如果已经创建的变量对象，就把那个对象返回，如果没有创建变量对象的话，就创建一个新的。
3、实例

 1import os 2os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 3 4import tensorflow as tf 5 6x1 = tf.truncated_normal([200, 100], name='x1') 7x2 = tf.truncated_normal([200, 100], name='x2') 8 9def two_hidden_layers_1(x):10assert x.shape.as_list() == [200, 100]11w1 = tf.Variable(tf.random_normal([100, 50]), name='h1_weights')12b1 = tf.Variable(tf.zeros([50]), name='h1_biases')13h1 = tf.matmul(x, w1) + b114assert h1.shape.as_list() == [200, 50]15w2 = tf.Variable(tf.random_normal([50, 10]), name='h2_weights')16b2 = tf.Variable(tf.zeros([10]), name='2_biases')17logits = tf.matmul(h1, w2) + b218return logits1920def two_hidden_layers_2(x):21assert x.shape.as_list() == [200, 100]22w1 = tf.get_variable('h1_weights', [100, 50],  initializer=tf.random_normal_initializer())23b1 = tf.get_variable('h1_biases', [50], initializer=tf.constant_initializer(0.0))24h1 = tf.matmul(x, w1) + b125assert h1.shape.as_list() == [200, 50]26w2 = tf.get_variable('h2_weights', [50, 10], initializer=tf.random_normal_initializer())27b2 = tf.get_variable('h2_biases', [10], initializer=tf.constant_initializer(0.0))28logits = tf.matmul(h1, w2) + b229return logits303132def fully_connected(x, output_dim, scope):33with tf.variable_scope(scope, reuse=tf.AUTO_REUSE) as scope:34w = tf.get_variable('weights', [x.shape[1], output_dim], initializer=tf.random_normal_initializer())35b = tf.get_variable('biases', [output_dim], initializer=tf.constant_initializer(0.0))36return tf.matmul(x, w) + b3738def two_hidden_layers_3(x):39h1 = fully_connected(x, 50, 'h1')40h2 = fully_connected(h1, 10, 'h2')41return h242# with tf.variable_scope('two_layers') as scope:43#     logits1 = two_hidden_layers_1(x1) 44#     # scope.reuse_variables()45#     logits2 = two_hidden_layers_1(x2)46# 不会报错47# ---------------4849# with tf.variable_scope('two_layers') as scope:50#     logits1 = two_hidden_layers_2(x1)51#     # scope.reuse_variables()52#     logits2 = two_hidden_layers_2(x2)53# 会报错54# ---------------5556with tf.variable_scope('two_layers') as scope:57logits1 = two_hidden_layers_3(x1)58# scope.reuse_variables()59logits2 = two_hidden_layers_3(x2)60# 不会报错61# -------62writer = tf.summary.FileWriter('./graphs/cool_variables', tf.get_default_graph())63writer.close()

原文链接：https://www.jianshu.com/p/2061b221cd8f

查阅更为简洁方便的分类文章以及最新的课程、产品信息，请移步至全新呈现的“LeadAI学院官网”：

www.leadai.org

请关注人工智能LeadAI公众号，查看更多专业文章

大家都在看

LSTM模型在问答系统中的应用

基于TensorFlow的神经网络解决用户流失概览问题

最全常见算法工程师面试题目整理（一）

最全常见算法工程师面试题目整理（二）

TensorFlow从1到2 | 第三章 深度学习革命的开端：卷积神经网络

装饰器 | Python高级编程

今天不如来复习下Python基础