tensorflow 声明和初始化可变张量
示例
当值需要在会话中更新时，使用可变张量。这是在创建神经网络时将用于权重矩阵的张量类型，因为这些值将在训练模型时更新。
可以使用或函数声明可变张量。建议使用，因为它提供了更大的灵活性，例如：tf.Variable()tf.get_variable()tf.get_variable
# Declare a 2 by 3 tensor populated by ones
a = tf.Variable(tf.ones([2,3], dtype=tf.float32))
a = tf.get_variable('a', shape=[2, 3], initializer=tf.constant_initializer(1))需要注意的是，声明可变张量不会自动初始化值。使用以下其中一种启动会话时，需要显式初始化这些值：
tf.global_variables_initializer().run()
session.run(tf.global_variables_initializer())
下面的示例显示了声明和初始化可变张量的完整过程。
# Build a graph
graph = tf.Graph()
with graph.as_default():
a = tf.get_variable('a', shape=[2,3], initializer=tf.constant_initializer(1), dtype=tf.float32)) # Create a variable tensor
# Create a session, and run the graph
with tf.Session(graph=graph) as session:
tf.global_variables_initializer().run() # Initialize values of all variable tensors
output_a = session.run(a) # Return the value of the variable tensor
print(output_a) # Print this value打印出以下内容：
[[ 1. 1. 1.] [ 1. 1. 1.]]