Create

  1. tf.get_variable 提供名称 和 shape
    1. my_variable = tf.get_variable(“my_variable”, [1, 2, 3])
    2. 指定初始化方法
      1. my_int_variable = tf.get_variable(“my_int_variable”, [1, 2, 3], dtype=tf.int32,

initializer=tf.zeros_initializer)
1. 通过tensor 初始化，不要指定形状
1. other_variable = tf.get_variable(“other_variable”, dtype=tf.int32,
initializer=tf.constant([23, 42]))

变量集合

1. 程序未链接时候创建 tf.Variable
1. collections
    1. tf.GraphKeys.GLOBAL_VARIABLES 多个设备共享
    1. tf.GraphKeys.TRAINABLE_VARIABLES 将计算梯度的变量
    1. 如果不想参加训练 可以以下两种方式
        1. my_local = tf.get_variable("my_local", shape=(),

collections=[tf.GraphKeys.LOCAL_VARIABLES])
1. my_non_trainable = tf.get_variable(“my_non_trainable”,
shape=(),
trainable=False)
1. 添加 不需要显示创建
1. tf.add_to_collection(“my_collection_name”, my_local)
1. 获取集合变量
1. tf.get_collection(“my_collection_name”)

指定变量放置设备

1. 放在第2快GPU上

1
2
with tf.device("/device:GPU:1"):
    v = tf.get_variable("v", [1])

1. 分布式

1
2
3
4
5
6
7
cluster_spec = {
    "ps": ["ps0:2222", "ps1:2222"],
    "worker": ["worker0:2222", "worker1:2222", "worker2:2222"]
    }
with tf.device(tf.train.replica_device_setter(cluster=cluster_spec)):
    v = tf.get_variable("v", shape=[20, 20])

变量初始化

  1. 变量必须初始化才能使用
    1. 显式初始化(自己创建图和会话)
      1. session.run(tf.global_variables_initializer()) 初始化 tf.GraphKeys.GLOBAL_VARIABLES
    2. tf.contrib.slim,tf.estimator.Estimator,Keras 等高级框架会自动初始化
  2. 初始化指定变量
    1. session.run(my_variable.initializer)
  3. 查询未初始化
    1. print(session.run(tf.report_uninitialized_variables()))

Variable && get_variable

  1. Variable 会处理冲突，get_variable 不会
    1 .Variable 每次会重新创建对象 reuse 无关，get_variable 会之前对象返回

Scope

  1. tf.variable_scope
    1. 可以让变量有相同的命名，包括tf.get_variable得到的变量，还有tf.Variable的变量
  2. tf.name_scope
    1. 为了管理变量
    2. 可以让变量有相同的命名，只是限于tf.Variable的变量
    3. get_variable 会忽略name_scope