二 TensorFlow的變數管理

龐大的神經網路構建及訓練過程中，需要對變數進行多次索引，tf框架本身設計了比較完善的變數管理機制。變數作用域能夠更好的管理模組的變數（特別是將來會重用到的變數）。

tf常用的變數作用域有兩種：tf.name_scope和tf.variable_scope，

tf本身的變數管理有如下介面：tf.get_variables 和 tf.variable

主要與tf.variable搭配使用，呼叫方式為：

tf.name_scope(
'scope_name'
)#or
tf.name_scope(named_scope)

以上兩種方式均可。當傳入字串時，用以給變數名新增字首，類似於目錄，如下述**所示；

import tensorflow as tf
# case 1:
with tf.name_scope(
's1'):
with tf.name_scope(
's2'):
w1 = tf.variable([1
,2,3
], name=
'w')
bias1 = tf.variable(
[0.1
], name=
'biases'
)print
(w1.name, bias1.name)
# >>> s1/s2/w:0 s1/s2/biases:0
# case 2:
with tf.name_scope(
's1'
)as scope_1:
w2 = tf.variable([1
,2,3
], name=
'w')
bias2 = tf.variable(
[0.1
], name=
'biases'
)with tf.name_scope(
's2'):
w3 = tf.variable([1
,2,3
], name=
'w')
bias3 = tf.variable(
[0.1
], name=
'biases'
)with tf.name_scope(scope_1)
:			w4 = tf.variable([1
,2,3
], name=
'w')
bias4 = tf.variable(
[0.1
], name=
'biases'
)print
(w2.name, bias0.name, w3.name, bias3.name, w4.name, bias4.name)
# >>> s1_1/w:0 s1_1/biases:0 s1_1/s2_1/w:0 s1_1/s2_1/biases:0 s1_1/w1_1:0 s1_1/biases_1:0

當傳入已存在的name_scope物件時，則其範圍內變數的字首只與當前傳入的物件有關，與更上層的name_scope無關，如case2所示。

注意：當name_scope重名時，會自動加入字尾，variable也是如此。

常與get_variable搭配使用，多用於變數共享，呼叫方式為：

tf.variable_scope(
'scope_name'
, reuse=
none
)#or
tf.variable_scope(named_scope)

其中 reuse 引數可設為 none、tf.auto_reuse、true、false；

與name_scope一樣：當傳入字串時，用以給變數名新增字首，類似於目錄；

當傳入已存在的variable_scope物件時，則其範圍內變數的字首只與當前傳入的物件有關，與更上層的variable_scope無關。

resue作用域：當 reuse=none（預設情況）時，與上層variable_scope的reuse引數一樣。

當 reuse=tf.auto_reuse 時，自動復用，如果變數存在則復用，不存在則建立。這是最安全的用法。相當於python字典的get方法。

with tf.variable_scope(
's1'):
with tf.variable_scope(
's2'):
init = tf.constant_initializer(
0.1)
w1 = tf.get_variable(
'w',[2
,2])
bias1 = tf.get_variable(
'biases',[
2,2]
)print
(w1.name, bias1.name)
# >>> s1/s2/w:0 s1/s2/biases_1:0
with tf.variable_scope(
's1'
, reuse=tf.auto_reuse)
:with tf.variable_scope(
's2'):
init = tf.constant_initializer(
0.1)
w2 = tf.get_variable(
'w',[2
,2])
bias2 = tf.get_variable(
'biases',[
2,2]
)print
(w2.name, bias2.name)
# >>> s1/s2/w:0 s1/s2/biases_1:0

當 reuse=true 時，tf.get_variable會查詢該命名變數，如果沒有找到，則會報錯；所以設定reuse=true之前，要保證該命名變數已存在。

下述**如為第一次執行，當變數未定義，則會報錯

with tf.variable_scope(
's1'
, reuse=
true):
with tf.variable_scope(
's2'):
init = tf.constant_initializer(
0.1)
w1 = tf.get_variable(
'w',[2
,2])
bias1 = tf.get_variable(
'biases',[
2,2]
)# >>> valueerror: variable s1/s2/w does not exist, or was not created with tf.get_variable(). did you mean to set reuse=tf.auto_reuse in varscope?

當 reuse=false 時，tf.get_variable會呼叫tf.variable來建立變數，並檢查建立的變數是否已存在，如果已存在，則報錯。

with tf.variable_scope(
's1'
, reuse=
true):
with tf.variable_scope(
's2'):
init = tf.constant_initializer(
0.1)
w1 = tf.get_variable(
'w',[2
,2])
bias1 = tf.get_variable(
'biases',[
2,2]
)# first run
# >>> s1/s2/w:0 s1/s2/biases:0
# second run
# >>> valueerror: variable s1/s2/w already exists, disallowed. did you mean to set reuse=true or reuse=tf.auto_reuse in varscope?

上述**第一次執行正確，第二次會發現變數已存在，繼而報錯。

Tensorflow 變數的共享

tensorflow exp example sparse tensor classification train validate.py 當你需要train的過程中validate的時候，如果用placeholder來接收輸入資料那麼乙個compute graph可以完成這個任務。如果你用的是t...

二 TensorFlow的變數管理

Tensorflow 變數的共享

Tensorflow 變數的共享

Tensorflow 變數的共享

相關推薦