Python tf.compat.v1.Variable用法及代碼示例

請參閱變量指南。

繼承自：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
)

變量在對 run() 的調用中維護圖中的狀態。您可以通過構造類 Variable 的實例將變量添加到圖形中。

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。初始值定義變量的類型和形狀。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。

如果以後要更改變量的形狀，則必須將 assign Op 與 validate_shape=False 一起使用。

就像任何 Tensor 一樣，使用 Variable() 創建的變量可以用作圖中其他 Ops 的輸入。此外，為Tensor 類重載的所有運算符都被轉移到變量中，因此您還可以通過對變量進行算術運算來將節點添加到圖中。

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)

啟動圖表時，必須明確初始化變量，然後才能運行使用其值的操作。您可以通過運行其初始化程序操作、從保存文件恢複變量或簡單地運行一個變量來初始化一個變量assign為變量賦值的操作。事實上，變量初始化操作隻是一個assign將變量的初始值分配給變量本身的操作。

# 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'...

最常見的初始化模式是使用便利函數global_variables_initializer() 將 Op 添加到初始化所有變量的圖中。然後在啟動圖表後運行該操作。

# 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...

如果您需要創建一個初始值依賴於另一個變量的變量，請使用另一個變量的 initialized_value() 。這可確保以正確的順序初始化變量。

所有變量都會自動收集在創建它們的圖表中。默認情況下，構造函數將新變量添加到圖形集合 GraphKeys.GLOBAL_VARIABLES 。便利函數global_variables() 返回該集合的內容。

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 global step 變量。為了使這更容易，變量構造函數支持trainable=<bool> 參數。如果 True ，新變量也會添加到圖形集合 GraphKeys.TRAINABLE_VARIABLES 。便利函數trainable_variables() 返回此集合的內容。各種Optimizer 類使用此集合作為要優化的變量的默認列表。

警告：tf.Variable 對象默認具有非直觀的內存模型。變量在內部表示為可變張量，它可以不確定地為圖中的其他張量起別名。消耗變量並可能導致別名的操作集是不確定的，並且可以在不同的 TensorFlow 版本中更改。避免編寫依賴於變量值的代碼，無論其他操作發生時發生變化或不變化。例如，在tf.cond 中使用變量對象或其簡單函數作為謂詞是危險的，並且error-prone：

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

在這裏，在構造變量時添加 use_resource=True 將解決任何不確定性問題：

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

要使用沒有這些問題的變量的替換：

• 構造tf.Variable時添加use_resource=True；
• 在tf.compat.v1.get_variable() 調用之前，在tf.compat.v1.variable_scope 中調用tf.compat.v1.get_variable_scope().set_use_resource(True)。

子類

class SaveSliceInfo