tf.Variable()与tf.get_variable()与不同之处

100 阅读 0 评论 66 点赞

我是靠谱客的博主自觉可乐，这篇文章主要介绍tf.Variable()与tf.get_variable()与不同之处，现在分享给大家，希望可以做个参考。

tf.Variable()可以定义名字相同的变量，

tf.Variable函数会返回一个variable，如果给出的name已经存在，会自动修改name，生成个新的

比如：下面定义两个名字同为a1的变量，但是，系统为自动给重新分配变量名

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
import tensorflow as tf

a1 = tf.Variable(1, name='a1')   # 定义a1变量
a2 = tf.Variable(1, name='a1')   # 定义a2变量

print a1.name    # 输出变量名：a1:0
print a2.name    # 输出变量名：a1_1:0

init = tf.global_variables_initializer()  #输出数据时必须要全局初始化
  
with tf.Session() as sess:  
    sess.run(init)  
    print sess.run(a1)    # 输出值：1
    print sess.run(a2)    # 输出值：1

tf.get_variable()不可以定义名字相同的变量，

tf.get_variable函数拥有一个变量检查机制，会检测已经存在的变量是否设置为共享变量，如果已经存在的变量没有设置为共享变量，TensorFlow 运行到第二个拥有相同名字的变量的时候，就会报错。
不同的变量之间不能有相同的名字，除非你定义了variable_scope，这样才可以有相同的名字。

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
a3 = tf.get_variable(name='a3', initializer=2) 
a4 = tf.get_variable(name='a3', initializer=2) 

print a3.name     
print a4.name     

init = tf.global_variables_initializer()  #输出数据时必须要全局初始化
   
with tf.Session() as sess:  
    sess.run(init)  
    print sess.run(a3)     
    print sess.run(a4)

报错信息如下：

ValueError: Variable a3 already exists, disallowed. Did you mean to set reuse=True in VarScope? Originally defined at:
a3 = tf.get_variable(name='a3', initializer=2)

tf.get_variable一般和tf.variable_scope配合使用，用于在同一个的变量域中共享同一个变量，

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
with tf.variable_scope('scope1') as scope1:
    a1 = tf.Variable(1, name='w1')
    print(a1.name)   # a1变量的名字：scope1/w1:0         
 
    a2 = tf.get_variable(name='a3', initializer=1.0)
    print(a2.name)   # a2变量的名字：scope1/a3:0
    
    tf.get_variable_scope().reuse_variables() # 或用 scope1.reuse_variables()
    
    a3 = tf.get_variable(name='a3', initializer=2.0)
    print(a3.name)   # a3变量的名字：scope1/a3:0
    
init = tf.global_variables_initializer()  #输出数据时必须要全局初始化
    
with tf.Session() as sess:
    sess.run(init) 
    print sess.run(a1) # a1变量的值：1
    print sess.run(a2) # a2变量的值：1.0
    print sess.run(a3) # a3变量的值：1.0 a3使用a2的值

或在不同变量域中使用同名变量。

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
with tf.variable_scope("scope2") as scope1:
    a2 = tf.get_variable(name='a3', initializer=1.0)
with tf.variable_scope(scope1, reuse = True):
    a3 = tf.get_variable(name='a3', initializer=2.0)

print(a2.name) # scope2/a3:0
print(a3.name) # scope2/a3:0 

init = tf.global_variables_initializer()    
with tf.Session() as sess:
    sess.run(init) 
    print sess.run(a2) # a2变量的值：1.0
    print sess.run(a3) # a3变量的值：1.0    a3使用scope2中的a2值

tf.Variable()

tf.get_variable() 不受tf.name_scope约束

复制代码

1
2
3
4
5
6
7
8
9
10
import tensorflow as tf

with tf.name_scope("my_scope"):
    v1 = tf.get_variable("a", [1], dtype=tf.float32)
    v2 = tf.Variable(1, name="b", dtype=tf.float32)
    mysum = tf.add(v1, v2)

print(v1.name)      # a:0
print(v2.name)      # my_scope/b:0
print(mysum.name)   # my_scope/Add:0

tf.Variable()

tf.get_variable() 都受tf.variable_scope约束

复制代码

1
2
3
4
5
6
7
8
with tf.variable_scope("my_scope"):
    v1 = tf.get_variable("a", [1], dtype=tf.float32)
    v2 = tf.Variable(1, name="b", dtype=tf.float32)
    mysum = tf.add(v1, v2)

print(v1.name)      # my_scope/a:0
print(v2.name)      # my_scope/b:0
print(mysum.name)   # my_scope/Add:0