TensorFlow创建变量

一、使用tf.Variable函数创建变量

tf.Variable(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)

函数功能：创建一个新的变量，变量的值是initial_value，创建的变量会被添加到[GraphKeys.GLOBAL_VARIABLES]默认的计算图列表中，如果trainable被设置为True,这个变量还会被添加到GraphKeys.TRAINABLE_VARIABLES计算图的集合中。

参数：

initial_value：默认值是None，张量或者是一个python对象可以转成张量，这个initial_value是初始化变量的值。它必须有一个特殊的shape，除非validate_shape设置为False。

trainable：默认的是True，变量还会被添加到GraphKeys.TRAINABLE_VARIABLES计算图集合中。

collections：变量会被添加到这个集合中，默认的集合是[GraphKeys.GLOBAL_VARIABLES]。

validate_shape：如果是False，允许这个变量被初始化一个不知道shape。默认的是True，这个initial_value的shape必须是知道的。

name：变量的名字。

dypte：变量的类型，小数的默认是float32,整数默认是int32。

    a = tf.Variable(initial_value=[1,2,3],name="a")    init = tf.initialize_all_variables()    sess = tf.Session()    sess.run(init)    print(a.eval(session=sess))    #[1 2 3]    print(a.dtype)    #<dtype: 'int32_ref'>

二、使用tf.get_variable函数创建变量

tf.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)

函数功能：根据变量的名称来获取变量或者创建变量。

参数：

name：变量的名称（必选）。

shape：变量的shape。

dtype：变量的数据类型。

initializer：变量的初始化值。

1、根据变量的名称创建变量

    b = tf.get_variable(name="b", initializer=[1., 2., 3.])    init = tf.initialize_all_variables()    sess = tf.Session()    sess.run(init)    print(b.eval(session=sess))    #[ 1.  2.  3.]    print(b.dtype)    #<dtype: 'float32_ref'>

使用tf.get_variable创建变量的时候，如果不指定name,会报TypeError: get_variable() missing 1 required positional argument: 'name'

2、根据变量的名称获取变量

    with tf.variable_scope("f"):        #初始化一个变量名称为c的变量        c = tf.get_variable(name="c",shape=[3],initializer=tf.constant_initializer([1,2,3]))    with tf.variable_scope("f",reuse=True):        d = tf.get_variable(name="c",shape=[3])        sess = tf.Session()        init = tf.initialize_all_variables()        sess.run(init)        print(d.eval(session=sess))        #[ 1.  2.  3.]        print(c.eval(session=sess))        #[ 1.  2.  3.]        print(d == c)        #True

在使用tf.get_variable()根据变量的名称来获取已经生成变量的时候，需要通过tf.variable_scope函数来生成一个上下文管理器，并明确指定在这个上下文管理器中。获取变量值的时候，需要将上下文管理器中的reuse设置为True，才能直接获取已经声明的变量，如果不设置reuse会报错。需要注意的是，如果变量名在上下文管理器中已经存在，在获取的时候，如果不将reuse设置为True则会报错。同理，如果上下文管理器中不存在变量名，在使用reuse=True获取变量值的时候，也会报错。
三、tf.variable_scope的嵌套

    with tf.variable_scope("a"):#默认是False        #查看上下文管理器中的reuse的值        print(tf.get_variable_scope().reuse) #False        with tf.variable_scope("b",reuse=True):            print(tf.get_variable_scope().reuse) #True            #如果reuse是默认的则保持和上一层的reuse值一样            with tf.variable_scope("c"):                print(tf.get_variable_scope().reuse) #True        print(tf.get_variable_scope().reuse) #False

四、上下文管理器与变量名

    #没有上下文管理器    a = tf.get_variable(name="a",shape=[2],initializer=tf.constant_initializer([1,2]))    print(a.name) #a:0,a就是变量名    #声明上下文管理器    with tf.variable_scope("f"):        b = tf.get_variable(name="b",shape=[2],initializer=tf.constant_initializer([1,2]))        print(b.name) #f/b:0,f代表的是上下文管理器的名称，b代表的是变量的名称        #嵌套上下文管理器        with tf.variable_scope("g"):            c = tf.get_variable(name="c",shape=[2],initializer=tf.constant_initializer([1,2]))            print(c.name)#f/g/c:0

通过上下文管理器和变量名来获取变量

    #通过带上下文管理器名称和变量名来获取变量    with tf.variable_scope("",reuse=True):        d = tf.get_variable(name="f/b")        print(d == b)  #True        e = tf.get_variable(name="f/g/c")        print(e == c)  #True