tf.Variable()函数

tf.Variable(initializer,name),参数initializer是初始化参数，name是可自定义的变量名称，用法如下：

import tensorflow as tfv1=tf.Variable(tf.random_normal(shape=[4,3],mean=0,stddev=1),name='v1')
v2=tf.Variable(tf.constant(2),name='v2')
v3=tf.Variable(tf.ones([4,3]),name='v3')
with tf.Session() as sess:sess.run(tf.global_variables_initializer())print(sess.run(v1))print(sess.run(v2))print(sess.run(v3))

结果如下：

[[-1.2115501   1.0484737   0.55210656][-1.5301195   0.9060654  -2.6766613 ][ 0.27101386 -0.32336152  0.44544214][-0.0120788  -0.3409422  -0.48505628]]
2
[[1. 1. 1.][1. 1. 1.][1. 1. 1.][1. 1. 1.]]

在TensorFlow的世界里，变量的定义和初始化是分开的，所有关于图变量的赋值和计算都要通过tf.Session的run来进行。想要将所有图变量进行集体初始化时应该使用tf.global_variables_initializer。

生成tensor：

tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(tensor, dtype=None, name=None)
tf.constant(value, dtype=None, shape=None, name='Const')
tf.fill(dims, value, name=None)
tf.ones_like(tensor, dtype=None, name=None)
tf.ones(shape, dtype=tf.float32, name=None)

生成序列

tf.range(start, limit, delta=1, name='range')
tf.linspace(start, stop, num, name=None)

生成随机数

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_shuffle(value, seed=None, name=None)

例子

import tensorflow as tf
import numpy as np# 生成0和1矩阵
v1 = tf.Variable(tf.zeros([3, 3, 3]), name="v1")
v2 = tf.Variable(tf.ones([10, 5]), name="v2")
# 填充单值矩阵
v3 = tf.Variable(tf.fill([2, 3], 9))
# 常量矩阵
v4_1 = tf.constant([1, 2, 3, 4, 5, 6, 7])
v4_2 = tf.constant(-1.0, shape=[2, 3])
# 生成等差数列
v6_1 = tf.linspace(10.0, 12.0, 30, name="linspace")  # float32 or float64
v7_1 = tf.range(10, 20, 3)  # just int32
# 生成各种随机数据矩阵
v8_1 = tf.Variable(tf.random_uniform([2, 4], minval=0.0, maxval=2.0, dtype=tf.float32, seed=1234, name="v8_1"))
v8_2 = tf.Variable(tf.random_normal([2, 3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_2"))
v8_3 = tf.Variable(tf.truncated_normal([2, 3], mean=0.0, stddev=1.0, dtype=tf.float32, seed=1234, name="v8_3"))
v8_4 = tf.Variable(tf.random_uniform([2, 3], minval=0.0, maxval=1.0, dtype=tf.float32, seed=1234, name="v8_4"))
v8_5 = tf.random_shuffle([[1, 2, 3], [4, 5, 6], [6, 6, 6]], seed=134, name="v8_5")# 初始化
init_op = tf.initialize_all_variables()
# 保存变量，也可以指定保存的内容
saver = tf.train.Saver()
# saver = tf.train.Saver({"my_v2": v2})# 运行
with tf.Session() as sess:sess.run(init_op)# 输出形状和值print(tf.Variable.get_shape(v1))# shapeprint(sess.run(v1))# vaule# numpy保存文件np.save("v1.npy", sess.run(v1))  # numpy save v1 as filetest_a = np.load("v1.npy")print(test_a[1, 2])# 一些输出print(sess.run(v3))v5 = tf.zeros_like(sess.run(v1))print(sess.run(v6_1))print(sess.run(v7_1))print(sess.run(v8_5))# 保存图的变量save_path = saver.save(sess, "/tmp/model.ckpt")# 加载图的变量# saver.restore(sess, "/tmp/model.ckpt")print("Model saved in file: ", save_path)

初始化

此处使用tf.initialize_all_variables() 用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来。

例子

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")
...
# Add an op to initialize the variables.
init_op = tf.initialize_all_variables()# Later, when launching the model
with tf.Session() as sess:# Run the init operation.sess.run(init_op)...# Use the model...

实例讲解

例子

#-*-coding:UTF-8-*-
import tensorflow as tfstate = tf.Variable(0 , name='counter')
one = tf.constant(1)new_value = tf.add(state,one)
update = tf.assign(state,new_value)init = tf.initialize_all_variables()with tf.Session() as sess:sess.run(init)for _ in range(3): sess.run(update) print(sess.run(state))

#-*-coding:UTF-8-*-这句话是指定*.py的编码方式，如果文件中涉及到中文汉字的话，有必要写一下这句话。当然也可以这样写：encoding:UTF-8

import tensorflow as tf这句话是导入tensorflow 模块

state = tf.Variable(0 , name='counter')使用tensorflow在默认的图中创建节点，这个节点是一个变量。

one = tf.constant(1)此处调用了td的一个函数，用于创建常量。

new_value = tf.add(state,one)对常量与变量进行简单的加法操作，这点需要说明的是：在TensoorFlow中，所有的操作op，变量都视为节点，tf.add() 的意思就是在tf的默认图中添加一个op，这个op是用来做加法操作的。

update = tf.assign(state,new_value)这个操作是：赋值操作。将new_value的值赋值给update变量。

在这里，需要再次说明：我们此时只是定义好了图，并没有变量并没有初始化。目前只有state的值是1。

init = tf.initialize_all_variables()此处用于初始化变量。但是这句话仍然不会立即执行。需要通过sess来将数据流动起来。
切记：所有的运算都应在在session中进行：

with tf.Session() as sess:此处自动开启一个session

sess.run(init)对变量进行初始化，执行（run）init语句

for _ in range(3): sess.run(update) print(sess.run(state))
循环3次，并且打印输出。

tf.Variable()函数相关推荐

tensorflow中tf.get_variable()函数详解
如果变量存在,函数tf.get_variable()会返回现有的变量:如果变量不存在,会根据给定形状和初始值创建一个新的变量. def get_variable(name, shape=None, d ...
TF：tensorflow框架中常用函数介绍—tf.Variable()和tf.get_variable()用法及其区别
TF:tensorflow框架中常用函数介绍-tf.Variable()和tf.get_variable()用法及其区别目录 tensorflow框架 tensorflow.Variable()函数 ...
TF.VARIABLE和TENSOR的区别（转）
刷课过程中思考到Variable和Tensor之间的区别,尝试发现在如下代码中: a = tf.Variable(tf.ones(1)) b = tf.add(a,tf.ones(1)) 1 2 a是 ...
tf.variable和tf.get_Variable以及tf.name_scope和tf.variable_scope的区别
在训练深度网络时,为了减少需要训练参数的个数(比如具有simase结构的LSTM模型).或是多机多卡并行化训练大数据大模型(比如数据并行化)等情况时,往往需要共享变量.另外一方面是当一个深度学习模型变 ...
tf.pad函数功能介绍
tf.pad()函数主要是对张量在各个维度上进行填充,该函数的参数如下所示: pad(tensor,paddings,mode='CONSTANT',name=None ) 其中: tensor是待填 ...
tf.reduce_max()函数的用法详解
tf.reduce_max()函数 tf.reduce_max(input_tensor,axis=None,name=None,keepdims=False #是否保持矩形原狀 ) 参数解释: in ...
记录之 tf.placeholder() 函数的意义及用法
函数原型: tf.placeholder(dtype, shape=None, name=None) 参数释义:1.dtype:数据类型.常用的是tf.float32,tf.float64等数值类型 ...
facenet 中心损失函数（center loss）详解（代码分析）含tf.gather() 和 tf.scatter_sub()函数
我们来解读一下,中心损失,再来看代码. 链接:https://www.cnblogs.com/carlber/p/10811396.html 我们的重点是分析代码,所以定义部分,大家详情参见上面的博客 ...
tf.Variable和 tf.get_variable区别（1）
tensorflow中有两个关于variable的op,tf.Variable()与tf.get_variable()下面介绍这两个创建变量函数的区别先来看看这两个函数的参数列表,就不打了,直接截图 ...

tf.Variable()函数

生成tensor：

生成序列

生成随机数

例子

初始化

例子

实例讲解

例子

tf.Variable()函数相关推荐

最新文章

热门文章