4TensorFlow基础常用API与变量作用域

Posted wanshuai

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了4TensorFlow基础常用API与变量作用域相关的知识，希望对你有一定的参考价值。

1、图、操作和张量

　　TensorFlow 的计算表现为数据流图，所以 tf.Graph 类中包含一系列表示计算的操作对象（tf.Operation），以及在操作之间流动的数据 — 张量对象（tf.Tensor）。与图相关的 API 均位于tf.Graph 类中：

　　技术分享图片

　　tf.Operation 类代表图中的一个节点，用于计算张量数据。该类型由节点构造器（如 tf.matmul()或者 Graph.create_op()）产生。例如，c = tf.matmul(a, b)创建一个 Operation 类，其类型为 MatMul的操作类。与操作相关的 API 均位于 tf.Operation 类中，

　　技术分享图片

　　技术分享图片

　　tf.Tensor 类是操作输出的符号句柄，它不包含操作输出的值，而是提供了一种在 tf.Session中计算这些值的方法。这样就可以在操作之间构建一个数据流连接，使 TensorFlow 能够执行一个表示大量多步计算的图形。与张量相关的 API 均位于 tf.Tensor 类中

　　技术分享图片

2、可视化

 　　可视化时，需要在程序中给必要的节点添加摘要（summary），摘要会收集该节点的数据，并标记上第几步、时间戳等标识，写入事件文件（event file）中。tf.summary.FileWriter 类用于在目录中创建事件文件，并且向文件中添加摘要和事件，用来在 TensorBoard 中展示。

　　技术分享图片

　　技术分享图片

3、变量作用域

　　在 TensorFlow 中有两个作用域（scope），一个是 name_scope，另一个是 variable_scope。它们究竟有什么区别呢？简而言之，name_scope主要是给variable_name加前缀，也可以op_name加前缀；name_scope 是给 op_name 加前缀

　　变量名字由两部分组成：scope/变量name。

name 参数才是对象的唯一标识。

　　3.1、tf.name_scope()

Graph中保存着一个属性_name_stack（string类型），_name_stack的值保存着当前的name_scope的名字，在这个图中创建的对象Variable、Operation、Tensor的名字之前都加上了这个前缀。

#它的主要目的是为了更加方便地管理参数命名。
# 与 tf.Variable() 结合使用。简化了命名

1
2
3
with tf.name_scope(‘conv1‘) as scope:
      weights1 = tf.Variable([1.0, 2.0], name=‘weights‘)
      bias1 = tf.Variable([0.3], name=‘bias‘)

# 下面是在另外一个命名空间来定义变量的

1
2
3
with tf.name_scope(‘conv2‘) as scope:
      weights2 = tf.Variable([4.0, 2.0], name=‘weights‘)
      bias2 = tf.Variable([0.33], name=‘bias‘)

# 所以，实际上weights1 和 weights2 这两个引用名指向了不同的空间，不会冲突

1
2
3
4
5
print (weights1.name)
print (weights2.name)
 
输出:<br>conv1/weights:0
conv2/weights:0

 

# 注意，这里的 with 和 python 中其他的 with 是不一样的
# 执行完 with 里边的语句之后，这个 conv1/ 和 conv2/ 空间还是在内存中的。这时候如果再次执行上面的代码
# 就会再生成其他命名空间（执行完上面的代码，接着执行这里的，上面的空间还在内存中）

 

1
2
3
4
5
6
7
8
9
10
11
12
with tf.name_scope(‘conv1‘) as scope:
    weights1 = tf.Variable([1.0, 2.0], name=‘weights‘)
    bias1 = tf.Variable([0.3], name=‘bias‘)
with tf.name_scope(‘conv2‘) as scope:
    weights2 = tf.Variable([4.0, 2.0], name=‘weights‘)
    bias2 = tf.Variable([0.33], name=‘bias‘)
print (weights1.name)
print (weights2.name)
 
输出: 
conv1_1/weights:0
conv2_1/weights:0

 

注意，tf.Variable再次命名相同变量时（本来又要产生 conv1/weights:0  conv2/weights:0），结果这里产生了（conv1_1/weights:0 conv2_1/weights:0），所以这就是tf.Variable()的一个特性，遇到同名时，产生一个新的，并不共享。

 

 

　　3.2、 tf.variable_scope

Graph中维护一个collection，这个collection中的 键_VARSCOPE_KEY对应一个 [current_variable_scope_obj]，保存着当前的variable_scope。使用 get_variable() 创建变量的时候，就从这个collection 取出 current_variable_scope_obj，通过这个 variable_scope创建变量。

tf.variable_scope() 主要结合 tf.get_variable() 来使用，实现变量共享。

如果tf.variable_scope函数使用参数reuse=None或者reuse=False创建上下文管理器，则tf.get_variable函数可以创建新的变量。但不可以创建已经存在的变量即为同名的变量。

如果tf.variable_scope函数使用参数reuse=True创建上下文管理器，则tf.get_variable函数可以使用已在当前空间定义的变量赋值来创建变量。但不可以使用不存在的变量来创建。

 

# 这里是正确的打开方式~~~可以看出，name 参数才是对象的唯一标识

1
2
3
with tf.variable_scope(‘v_scope‘) as scope1:
   Weights1 = tf.get_variable(‘Weights‘, shape=[2, 3])
   bias1 = tf.get_variable(‘bias‘, shape=[3])

# 下面来共享上面已经定义好的变量
# note: 在下面的 scope 中的变量必须已经定义过了，才能设置 reuse=True，否则会报错

1
2
3
4
5
6
7
8
9
with tf.variable_scope(‘v_scope‘, reuse=True) as scope2:
   Weights2 = tf.get_variable(‘Weights‘)
   Weights3 = tf.get_variable(‘Weights‘, [2,3]) #shape如果不同会报错
print (Weights2.name)
print (Weights3.name)
 
输出
v_scope/Weights:0
v_scope/Weights:0

# 可以看到这两个引用名称指向的是同一个内存对象

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
# 注意， bias1 的定义方式
with tf.variable_scope(‘v_scope‘) as scope1:
   Weights1 = tf.get_variable(‘Weights‘, shape=[2, 3])
   bias1 = tf.Variable([0.52], name=‘bias‘)
# 下面来共享上面已经定义好的变量
# note: 在下面的 scope 中的get_variable()变量必须已经定义过了，才能设置 reuse=True，否则会报错
with tf.variable_scope(‘v_scope‘, reuse=True) as scope2:
   Weights2 = tf.get_variable(‘Weights‘)
   bias2 = tf.Variable([0.53], name=‘bias‘)
print (Weights1.name)
print (Weights2.name)
print (bias1.name)
print (bias2.name)
 
输出：
v_scope / Weights:0
v_scope / Weights:0
v_scope / bias:0
v_scope_1 / bias:0

使用tf.get_variable发现之前有定义好的的该变量，则进行权值共享。

而bias1 = tf.Variable([0.52], name=‘bias‘)发现之前定义好的名字，则重新定一个新的，并没有共享权值。

tf.get_variable_scope() :获取当前scope

tf.get_variable_scope().reuse_variables() 共享变量

 

　　3.3、对比

简单来说name_scope是给Op_name加前缀的,variable_scope是给变量variable_name和Op_name加前缀的.作用域在使用Tensorboard对Graph对象进行可视化的时候很有帮助,作用域会把一些Op划分到较大的语句块当中.使用tensorboard可视化数据流图的时候,每个作用域都对自己的Op进行封装,从而获得更好的可视化效果.

  • 如果在 tf.name_scope() 环境下分别使用 tf.get_variable() 和 tf.Variable()，两者的主要区别在于 

    • tf.get_variable() 创建的变量名不受 name_scope 的影响；
    • tf.get_variable() 创建的变量，name 属性值不可以相同；tf.Variable() 创建变量时，name 属性值允许重复（底层实现时，会自动引入别名机制）
  • 此外 tf.get_variable() 与 tf.Variable() 相比，多了一个 initilizer （初始化子）可选参数； 

    • tf.Variable() 对应地多了一个 initial_value 关键字参数，也即对于 tf.Variable 创建变量的方式，必须显式初始化；

 

name_scope

 

1
2
3
4
5
6
7
8
9
10
11
12
13
with tf.name_scope("ns") as ns:
   b = tf.Variable(1.0, name=‘b‘)
   w = tf.get_variable("w", shape=[2,10],dtype=tf.float32)
   a = tf.add(b, [3],name=‘a‘)
print ns
print b.name
print w.name
print a.name<br>
输出：
ns /
ns / b:0
w:0
ns / a:0

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
with tf.name_scope("ns") as ns:
   with tf.name_scope("ns1") as ns1:
      b1 = tf.Variable(0, name=‘b1‘)
      w1 = tf.get_variable("w1", shape=[10], dtype=tf.float32)
      a1 = tf.add(b1, [3], name=‘a1‘)
print ns1
print b1.name
print w1.name
print a1.name
 
输出：
ns/ns1/
ns/ns1/b1:0
w1:0
ns/ns1/a1:0

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
with tf.name_scope("ns") as ns:
   with tf.variable_scope("vs1") as vs1:
      b2 = tf.Variable(0, name=‘b2‘)
      w2 = tf.get_variable("w2", shape=[2])
      a2 = tf.add(b2, [3], name=‘a2‘)
print vs1
print vs1.name
print b2.name
print w2.name
print a2.name
 
输出：
<tensorflow.python.ops.variable_scope.VariableScope object at 0x42fe790>
vs1
ns/vs1/b2:0
vs1/w2:0
ns/vs1/a2:0

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
with tf.name_scope("ns") as ns:
   with tf.name_scope(None) as n1:
      b3 = tf.Variable(2.0, name=‘b3‘)
      w3 = tf.get_variable("w3", shape=[2])
      a3 = tf.add(b3, [3], name=‘a3‘)
print n1
print b3.name
print w3.name
print a3.name
 
输出：
 
b3:0
w3:0
a3:0

 

variable_scope

 

注意事项：

1. 在 variable_scope 里面的 variable_scope 会继承上面的 reuse 值，即上面一层开启了 reuse ，则下面的也跟着开启。但是不能人为的设置 reuse 为 false ，只有退出 variable_scope 才能让 reuse 变为 false：

2、当在某一 variable_scope 内使用别的 scope 的名字时，此时不再受这里的等级关系束缚，直接与使用的 scope 的名字一样：

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
with tf.variable_scope("vs") as vs:
   b = tf.Variable(1.0, name=‘b‘)
   w = tf.get_variable("w", shape=[2, 10], dtype=tf.float32)
   a = tf.add(b, [3], name=‘a‘)
print vs
print vs.name
print b.name
print w.name
print a.name
 
输出：
<tensorflow.python.ops.variable_scope.VariableScope object at 0x46ee610>
vs
vs/b:0
vs/w:0
vs/a:0

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
with tf.variable_scope("vs") as vs:
   with tf.name_scope("ns1") as ns1:
      b1 = tf.Variable(0, name=‘b1‘)
      w1 = tf.get_variable("w1", shape=[10], dtype=tf.float32)
      a1 = tf.add(b1, [3], name=‘a1‘)
print ns1
print b1.name
print w1.name
print a1.name
 
输出：
vs/ns1/
vs/ns1/b1:0
vs/w1:0
vs/ns1/a1:0

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
with tf.variable_scope("vs") as vs:
   with tf.variable_scope("vs1") as vs1:
      b2 = tf.Variable(0, name=‘b2‘)
      w2 = tf.get_variable("w2", shape=[2])
      a2 = tf.add(b2, [3], name=‘a2‘)
print vs1
print vs1.name
print b2.name
print w2.name
print a2.name
 
输出：
<tensorflow.python.ops.variable_scope.VariableScope object at 0x4b1e310>
vs/vs1
vs/vs1/b2:0
vs/vs1/w2:0
vs/vs1/a2:0

 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
with tf.variable_scope("vs") as vs:
   with tf.name_scope(None) as n1:
      b3 = tf.Variable(2.0, name=‘b3‘)
      w3 = tf.get_variable("w3", shape=[2])
      a3 = tf.add(b3, [3], name=‘a3‘)
print n1
print b3.name
print w3.name
print a3.name
 
输出：
 
b3:0
vs/w3:0
a3:0

 

总结：

1、使用tf.Variable()的时候，tf.name_scope()和tf.variable_scope() 都会给 Variable 和 op 的 name属性加上前缀。

2、使用tf.get_variable()的时候，tf.name_scope()就不会给 tf.get_variable()创建出来的Variable加前缀。

　　

变量作用域机制主要由两个函数实现：

tf.get_variable(<name>, <shape>, <initializer>)
tf.variable_scope(<scope_name>)
  • 1
  • 2

常用的initializer有

tf.constant_initializer(value) # 初始化一个常量值,
tf.random_uniform_initializer(a, b) # 从a到b均匀分布的初始化,
tf.random_normal_initializer(mean, stddev) # 用所给平均值和标准差初始化正态分布.
  • 1
  • 2
  • 3

对如下实例，

with tf.variable_scope(conv1):
    # Variables created here will be named "conv1/weights".
    weights = tf.get_variable(‘weights‘,kernel_shape,
              initializer=tf.random_normal_initializer())

    # Variables created here will be named "conv1/biases".
    biases = tf.get_variable(‘biases‘,biases_shape,
              initializer=tf.constant_intializer(0.0))
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8

变量作用域的tf.variable_scope()带有一个名称，它将会作为前缀用于变量名,并且带有一个重用标签（后面会说到）来区分以上的两种情况。嵌套的作用域附加名字所用的规则和文件目录的规则很类似。

对于采用了变量作用域的网络结构，结构伪代码如下：

def conv_relu(input, kernel_shape, bias_shape):
    # Create variable named "weights".
    weights = tf.get_variable("weights", kernel_shape,
        initializer=tf.random_normal_initializer())
    # Create variable named "biases".
    biases = tf.get_variable("biases", bias_shape,
        initializer=tf.constant_intializer(0.0))
    conv = tf.nn.conv2d(input, weights,
        strides=[1, 1, 1, 1], padding=‘SAME‘)
    return tf.nn.relu(conv + biases)

def my_image_filter(input_images):
    with tf.variable_scope("conv1"):
    # Variables created here will be named "conv1/weights", "conv1/biases".
        relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])
    with tf.variable_scope("conv2"):
    # Variables created here will be named "conv2/weights", "conv2/biases".
        return conv_relu(relu1, [5, 5, 32, 32], [32])
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18

如果连续调用两次my_image_filter()将会报出ValueError：

result1 = my_image_filter(image1)
result2 = my_image_filter(image2)
# Raises ValueError(... conv1/weights already exists ...)
  • 1
  • 2
  • 3

若不在网络架构中采用变量作用域则不会报错，但是会产生两组变量，而不是共享变量。

变量作用域是怎么工作的？

理解tf.get_variable()

情况1:当tf.get_variable_scope().reuse == False时，该方法用来创建新变量。

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1])
assert v.name == "foo/v:0"
  • 1
  • 2
  • 3

该情况下方法会生成一个“foo/v”，并检查确保没有其他变量使用该全称。如果该全程已经有其他的变量在使用了，则会抛出ValueError。

情况2：当tf.get_variable_scope().reuse == True时，该方法是为重用变量所设置

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):
    v1 = tf.get_variable("v", [1])
assert v1 == v
  • 1
  • 2
  • 3
  • 4
  • 5

该情况下会搜索一个已存在的“foo/v”并将该变量的值赋给v1，若找不到“foo/v”变量则会抛出ValueError。

注意reuse标签可以被手动设置为True，但不能手动设置为False。reuse 参数是不可继承的，所以当你设置一个变量作用域为重用作用域时，那么其所有的子作用域也将会被重用。

















以上是关于4TensorFlow基础常用API与变量作用域的主要内容，如果未能解决你的问题，请参考以下文章

01 变量与数据类型

快速上手深度学习 掌握TensorFlow模型构建与开发

Shell ❀ 基础变量类别与引用

Shell ❀ 基础变量类别与引用

Shell ❀ 基础变量类别与引用

大数据基础之java常用API三（SimpleDateFormat类和Calendar类的使用）