Python tf.Variable用法及代碼示例

請參閱變量指南。

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
)

變量維護由程序操作的共享的、持久的狀態。

Variable() 構造函數需要變量的初始值，它可以是任何類型和形狀的 Tensor。這個初始值定義了變量的類型和形狀。構造後，變量的類型和形狀是固定的。可以使用其中一種分配方法更改該值。

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 的構造函數的 shape 參數允許您構造一個形狀比其 initial_value 定義更少的變量：

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 一樣，使用 Variable() 創建的變量可以用作操作的輸入。此外，為Tensor 類重載的所有運算符都被轉移到變量中。

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), ...>

在構建機器學習模型時，通常可以方便地區分包含可訓練模型參數的變量和其他變量，例如用於計算訓練步數的 step 變量。為了使這更容易，變量構造函數支持trainable=<bool> 參數。 tf.GradientTape 默認監視可訓練變量：

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

當分配給從 tf.Module 繼承的類型的屬性時，會自動跟蹤變量。

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

然後，此跟蹤允許將變量值保存到訓練檢查點或包含序列化 TensorFlow 圖的 SavedModel。

變量通常由tf.function s 捕獲和操作。這與 un-decorated 函數的工作方式相同：

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 內創建的變量必須在函數外部擁有並且隻能創建一次：

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>

有關詳細信息，請參閱tf.function 文檔。

子類

class SaveSliceInfo