详解tf.variable

您所在的位置：网站首页 › 翻译19 › 详解tf.variable

详解tf.variable

#详解tf.variable| 来源: 网络整理| 查看: 265

原创 https://blog.csdn.net/qq_41058594/article/details/85165025

在学习Tensorflow进阶实例这本书时候出现了tf.variable_scope,当时很蒙圈，现在就来总结一下：

tf.variable_scope函数 variable_scope类用于定义创建变量（层）的操作的上下文管理器。此上下文管理器验证（可选）values是否来自同一图形，确保图形是默认的图形，并推送名称范围和变量范围。

如果name_or_scope不是None，则使用as is。如果scope是None，则使用default_name。在这种情况下，如果以前在同一范围内使用过相同的名称，则通过添加_N来使其具有唯一性。

变量范围允许您创建新变量并共享已创建的变量，同时提供检查以防止意外创建或共享。在本文中我们提供了几个基本示例。

示例1-如何创建一个新变量：

with tf.variable_scope("foo"): with tf.variable_scope("bar"): v = tf.get_variable("v", [1]) assert v.name == "foo/bar/v:0"

示例2-共享变量AUTO_REUSE：

def foo(): with tf.variable_scope("foo", reuse=tf.AUTO_REUSE): v = tf.get_variable("v", [1]) return v v1 = foo() # Creates v. v2 = foo() # Gets the same, existing v. assert v1 == v2

示例3-使用reuse=True共享变量：

with tf.variable_scope("foo"): v = tf.get_variable("v", [1]) with tf.variable_scope("foo", reuse=True): v1 = tf.get_variable("v", [1]) assert v1 == v

示例4-通过捕获范围并设置重用来共享变量：

with tf.variable_scope("foo") as scope: v = tf.get_variable("v", [1]) scope.reuse_variables() v1 = tf.get_variable("v", [1]) assert v1 == v

为了防止意外共享变量，我们在获取非重用范围中的现有变量时引发异常。

with tf.variable_scope("foo"): v = tf.get_variable("v", [1]) v1 = tf.get_variable("v", [1]) # Raises ValueError("... v already exists ...")

同样，我们在尝试获取重用模式中不存在的变量时引发异常。

with tf.variable_scope("foo", reuse=True): v = tf.get_variable("v", [1]) # Raises ValueError("... v does not exists ...")

请注意，reuse（重用）标志是有继承性的：如果我们打开一个重用范围，那么它的所有子范围也会重用。关于名称范围的说明：设置reuse不会影响其他操作（如多重）的命名。

请注意，1.0版本开始（包含）允许（虽然明确劝阻）将False传递给重用参数，从而产生与None无关的未记录行为。从1.1.0版本开始传递None和False作为重用具有完全相同的效果。

方法init

__init__( name_or_scope, default_name=None, values=None, initializer=None, regularizer=None, caching_device=None, partitioner=None, custom_getter=None, reuse=None, dtype=None, use_resource=None, constraint=None, auxiliary_name_scope=True )

用于初始化上下文管理器。

参数：

name_or_scope：string或者VariableScope表示打开的范围。default_name：如果name_or_scope参数为None，则使用默认的名称，该名称将是唯一的；如果提供了name_or_scope，它将不会被使用，因此它不是必需的，并且可以是None。values：传递给操作函数的Tensor参数列表。initializer：此范围内变量的默认初始值设定项。regularizer：此范围内变量的默认正规化器。caching_device：此范围内变量的默认缓存设备。partitioner：此范围内变量的默认分区程序。custom_getter：此范围内的变量的默认自定义吸气。reuse：可以是True、None或tf.AUTO_REUSE；如果是True，则我们进入此范围的重用模式以及所有子范围；如果是tf.AUTO_REUSE，则我们创建变量（如果它们不存在），否则返回它们；如果是None，则我们继承父范围的重用标志。当启用紧急执行时，该参数总是被强制为tf.AUTO_REUSE。 dtype：在此范围中创建的变量类型（默认为传入范围中的类型，或从父范围继承）。use_resource：如果为false，则所有变量都将是常规变量；如果为true，则将使用具有明确定义的语义的实验性 ResourceVariables。默认为false（稍后将更改为true）。当启用紧急执行时，该参数总是被强制为true。constraint：一个可选的投影函数，在被Optimizer（例如用于实现层权重的范数约束或值约束）更新之后应用于该变量。该函数必须将代表变量值的未投影张量作为输入，并返回投影值的张量（它必须具有相同的形状）。进行异步分布式培训时，约束条件的使用是不安全的。auxiliary_name_scope：如果为True，则我们用范围创建一个辅助名称范围；如果为False，则我们不接触名称范围。

返回值：返回可以捕获和重用的范围。可能引发的异常：

ValueError：在创建范围内尝试重用时，或在重用范围内创建时。TypeError：某些参数的类型不合适时。

enter

__enter__() __exit__ __exit__( type_arg, value_arg, traceback_arg )

想要查找Tensorflow中的其他函数请参考：

【本文地址】

详解tf.variable

详解tf.variable

今日新闻

推荐新闻