tensorflow创建变量以及根据名称查找变量
环境：Ubuntu14.04，tensorflow=1.4(bazel源码安装)，Anacondapython=3.6
声明变量主要有两种方法：tf.Variable和tf.get_variable，二者的最大区别是：
(1)tf.Variable是一个类，自带很多属性函数；而tf.get_variable是一个函数;
(2)tf.Variable只能生成独一无二的变量，即如果给出的name已经存在，则会自动修改生成新的变量name;
(3)tf.get_variable可以用于生成共享变量。默认情况下，该函数会进行变量名检查，如果有重复则会报错。当在指定变量域中声明可
以变量共享时，可以重复使用该变量（例如RNN中的参数共享）。
下面给出简单的的示例程序：
importtensorflowastf
withtf.variable_scope('scope1',reuse=tf.AUTO_REUSE)asscope1:
x1=tf.Variable(tf.ones([1]),name='x1')
x2=tf.Variable(tf.zeros([1]),name='x1')
y1=tf.get_variable('y1',initializer=1.0)
y2=tf.get_variable('y1',initializer=0.0)
init=tf.global_variables_initializer()
withtf.Session()assess:
sess.run(init)
print(x1.name,x1.eval())
print(x2.name,x2.eval())
print(y1.name,y1.eval())
print(y2.name,y2.eval())
输出结果为：
scope1/x1:0[1.] scope1/x1_1:0[0.] scope1/y1:01.0 scope1/y1:01.0
1.tf.Variable(…)
tf.Variable(…)使用给定初始值来创建一个新变量，该变量会默认添加到graphcollectionslistedincollections,whichdefaultsto[GraphKeys.GLOBAL_VARIABLES]。
如果trainable属性被设置为True，该变量同时也会被添加到graphcollectionGraphKeys.TRAINABLE_VARIABLES.
#tf.Variable __init__( initial_value=None, trainable=True, collections=None, validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None, constraint=None )
2.tf.get_variable(…)
tf.get_variable(…)的返回值有两种情形：
使用指定的initializer来创建一个新变量；
当变量重用时，根据变量名搜索返回一个由tf.get_variable创建的已经存在的变量；
get_variable( name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, use_resource=None, custom_getter=None, constraint=None )
3.根据名称查找变量
在创建变量时，即使我们不指定变量名称，程序也会自动进行命名。于是，我们可以很方便的根据名称来查找变量，这在抓取参数、finetune模型等很多时候都很有用。
示例1：
通过在tf.global_variables()变量列表中，根据变量名进行匹配搜索查找。该种搜索方式，可以同时找到由tf.Variable或者tf.get_variable创建的变量。
importtensorflowastf x=tf.Variable(1,name='x') y=tf.get_variable(name='y',shape=[1,2]) forvarintf.global_variables(): ifvar.name=='x:0': print(var)
示例2：
利用get_tensor_by_name()同样可以获得由tf.Variable或者tf.get_variable创建的变量。
需要注意的是，此时获得的是Tensor,而不是Variable，因此x不等于x1.
importtensorflowastf
x=tf.Variable(1,name='x')
y=tf.get_variable(name='y',shape=[1,2])
graph=tf.get_default_graph()
x1=graph.get_tensor_by_name("x:0")
y1=graph.get_tensor_by_name("y:0")
示例3：
针对tf.get_variable创建的变量，可以利用变量重用来直接获取已经存在的变量。
withtf.variable_scope("foo"):
bar1=tf.get_variable("bar",(2,3))#create
withtf.variable_scope("foo",reuse=True):
bar2=tf.get_variable("bar")#reuse
withtf.variable_scope("",reuse=True):#rootvariablescope
bar3=tf.get_variable("foo/bar")#reuse(equivalenttotheabove)
print((bar1isbar2)and(bar2isbar3))
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。