TensorFlow笔记之变量管理

TenssorFlow中通过变量名称获取变量，主要通过两个函数：

tf.get_variable

和

tf.variable_scope

tf.get_variable

TensorFlow在创建变量时，它和

tf.Variable

的功能基本等价的。

例如：

v = tf.get_variable("v", shape = [1], initializer = tf.constant_initializer(1.0))

v = tf.Variable(tf.constant(1.0, shape = [1], name = "v")

　　

tf.get_variable

和

tf.Variable

最大的区别，在于指定变量名称的参数。对于前者，变量名称是一个必填的参数，它根据这个名字去创建或获取变量；对于后者，变量名称是一个选填的参数，用

name = "v"

的形式给出。

tf.variable_scope

如果想用

tf.get_variable

来获取一个已经创建的变量，需要通过tf.variable_scope函数来生成一个上下文管理器，并且明确指定在这个上下文管理器中，

tf.get_variable

将直接获取已经生成的变量，例如：

#在生成上下文管理器时，将参数reuse设置为True。这样tf.get_variable函数将直接获取已经声明的变量。如果不设置reuse，将报错。
with tf.variable_scope("foo", reuse = True):
v1 = tf.get_variable("v", [1])

另外

tf.variable_scope

可以使用嵌套，另外，在命名空间内创建的变量名称将会带上这个命名空间名作为前缀。例如：

with tf.variable_scope("foo"):
v2 = tf.get_variable("v", [1])
print(v2.name)       #输出foo/v:0

总结：

　　在使用

tf.variable_scope

和

tf.get_variable

后，就不再需要将所有的变量作为参数传递到不同的函数中，可以理解为全局变量了。当第一次需要创建的时候，令

reuse= False

；创建完之后，可以令

reuse= True

进行训练更新。当参数很多时候，可以大大提高效率。