Python tf.compat.v1.Variable用法及代码示例

请参阅变量指南。

继承自：Variable

用法

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

变量在对 run() 的调用中维护图中的状态。您可以通过构造类 Variable 的实例将变量添加到图形中。

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。初始值定义变量的类型和形状。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。

如果以后要更改变量的形状，则必须将 assign Op 与 validate_shape=False 一起使用。

就像任何 Tensor 一样，使用 Variable() 创建的变量可以用作图中其他 Ops 的输入。此外，为Tensor 类重载的所有运算符都被转移到变量中，因此您还可以通过对变量进行算术运算来将节点添加到图中。

import tensorflow as tf

# Create a variable.
w = tf.Variable(<initial-value>, name=<optional-name>)

# Use the variable in the graph like any Tensor.
y = tf.matmul(w, ...another variable or tensor...)

# The overloaded operators are available too.
z = tf.sigmoid(w + y)

# Assign a new value to the variable with `assign()` or a related method.
w.assign(w + 1.0)
w.assign_add(1.0)

启动图表时，必须明确初始化变量，然后才能运行使用其值的操作。您可以通过运行其初始化程序操作、从保存文件恢复变量或简单地运行一个变量来初始化一个变量assign为变量赋值的操作。事实上，变量初始化操作只是一个assign将变量的初始值分配给变量本身的操作。

# Launch the graph in a session.
with tf.compat.v1.Session() as sess:
    # Run the variable initializer.
    sess.run(w.initializer)
    # ...you now can run ops that use the value of 'w'...

最常见的初始化模式是使用便利函数global_variables_initializer() 将 Op 添加到初始化所有变量的图中。然后在启动图表后运行该操作。

# Add an Op to initialize global variables.
init_op = tf.compat.v1.global_variables_initializer()

# Launch the graph in a session.
with tf.compat.v1.Session() as sess:
    # Run the Op that initializes global variables.
    sess.run(init_op)
    # ...you can now run any Op that uses variable values...

如果您需要创建一个初始值依赖于另一个变量的变量，请使用另一个变量的 initialized_value() 。这可确保以正确的顺序初始化变量。

所有变量都会自动收集在创建它们的图表中。默认情况下，构造函数将新变量添加到图形集合 GraphKeys.GLOBAL_VARIABLES 。便利函数global_variables() 返回该集合的内容。

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 global step 变量。为了使这更容易，变量构造函数支持trainable=<bool> 参数。如果 True ，新变量也会添加到图形集合 GraphKeys.TRAINABLE_VARIABLES 。便利函数trainable_variables() 返回此集合的内容。各种Optimizer 类使用此集合作为要优化的变量的默认列表。

警告：tf.Variable 对象默认具有非直观的内存模型。变量在内部表示为可变张量，它可以不确定地为图中的其他张量起别名。消耗变量并可能导致别名的操作集是不确定的，并且可以在不同的 TensorFlow 版本中更改。避免编写依赖于变量值的代码，无论其他操作发生时发生变化或不变化。例如，在tf.cond 中使用变量对象或其简单函数作为谓词是危险的，并且error-prone：

v = tf.Variable(True)
tf.cond(v, lambda:v.assign(False), my_false_fn)  # Note:this is broken.

在这里，在构造变量时添加 use_resource=True 将解决任何不确定性问题：

v = tf.Variable(True, use_resource=True)
tf.cond(v, lambda:v.assign(False), my_false_fn)

要使用没有这些问题的变量的替换：

• 构造tf.Variable时添加use_resource=True；
• 在tf.compat.v1.get_variable() 调用之前，在tf.compat.v1.variable_scope 中调用tf.compat.v1.get_variable_scope().set_use_resource(True)。

子类

class SaveSliceInfo