Python tf.Variable用法及代码示例

请参阅变量指南。

用法

tf.Variable(
    initial_value=None, trainable=None, validate_shape=True, caching_device=None,
    name=None, variable_def=None, dtype=None, import_scope=None, constraint=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.compat.v1.VariableAggregation.NONE, shape=None
)

变量维护由程序操作的共享的、持久的状态。

Variable() 构造函数需要变量的初始值，它可以是任何类型和形状的 Tensor。这个初始值定义了变量的类型和形状。构造后，变量的类型和形状是固定的。可以使用其中一种分配方法更改该值。

v = tf.Variable(1.)
v.assign(2.)
<tf.Variable ... shape=() dtype=float32, numpy=2.0>
v.assign_add(0.5)
<tf.Variable ... shape=() dtype=float32, numpy=2.5>

Variable 的构造函数的 shape 参数允许您构造一个形状比其 initial_value 定义更少的变量：

v = tf.Variable(1., shape=tf.TensorShape(None))
v.assign([[1.]])
<tf.Variable ... shape=<unknown> dtype=float32, numpy=array([[1.]], ...)>

就像任何 Tensor 一样，使用 Variable() 创建的变量可以用作操作的输入。此外，为Tensor 类重载的所有运算符都被转移到变量中。

w = tf.Variable([[1.], [2.]])
x = tf.constant([[3., 4.]])
tf.matmul(w, x)
<tf.Tensor:... shape=(2, 2), ... numpy=
  array([[3., 4.],
         [6., 8.]], dtype=float32)>
tf.sigmoid(w + x)
<tf.Tensor:... shape=(2, 2), ...>

在构建机器学习模型时，通常可以方便地区分包含可训练模型参数的变量和其他变量，例如用于计算训练步数的 step 变量。为了使这更容易，变量构造函数支持trainable=<bool> 参数。 tf.GradientTape 默认监视可训练变量：

with tf.GradientTape(persistent=True) as tape:
  trainable = tf.Variable(1.)
  non_trainable = tf.Variable(2., trainable=False)
  x1 = trainable * 2.
  x2 = non_trainable * 3.
tape.gradient(x1, trainable)
<tf.Tensor:... shape=(), dtype=float32, numpy=2.0>
assert tape.gradient(x2, non_trainable) is None  # Unwatched

当分配给从 tf.Module 继承的类型的属性时，会自动跟踪变量。

m = tf.Module()
m.v = tf.Variable([1.])
m.trainable_variables
(<tf.Variable ... shape=(1,) ... numpy=array([1.], dtype=float32)>,)

然后，此跟踪允许将变量值保存到训练检查点或包含序列化 TensorFlow 图的 SavedModel。

变量通常由tf.function s 捕获和操作。这与 un-decorated 函数的工作方式相同：

v = tf.Variable(0.)
read_and_decrement = tf.function(lambda:v.assign_sub(0.1))
read_and_decrement()
<tf.Tensor:shape=(), dtype=float32, numpy=-0.1>
read_and_decrement()
<tf.Tensor:shape=(), dtype=float32, numpy=-0.2>

在 tf.function 内创建的变量必须在函数外部拥有并且只能创建一次：

class M(tf.Module):
  @tf.function
  def __call__(self, x):
    if not hasattr(self, "v"): # Or set self.v to None in __init__
      self.v = tf.Variable(x)
    return self.v * x
m = M()
m(2.)
<tf.Tensor:shape=(), dtype=float32, numpy=4.0>
m(3.)
<tf.Tensor:shape=(), dtype=float32, numpy=6.0>
m.v
<tf.Variable ... shape=() dtype=float32, numpy=2.0>

有关详细信息，请参阅tf.function 文档。

子类

class SaveSliceInfo