tf.Variabletf.get_variabletf.variable_scope以及tf.name_scope关系

Posted my0213

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tf.Variabletf.get_variabletf.variable_scope以及tf.name_scope关系相关的知识,希望对你有一定的参考价值。

1. tf.Variable与tf.get_variable

tensorflow提供了通过变量名称来创建或者获取一个变量的机制。通过这个机制,在不同的函数中可以直接通过变量的名字来使用变量,而不需要将变量通过参数的形式到处传递。
TensorFlow中通过变量名获取变量的机制主要是通过tf.get_variable和tf.variable_scope实现的。
当然,变量也可以通过tf.Varivale来创建。当tf.get_variable用于变量创建时,和tf.Variable的功能基本等价

#以下两个定义是等价的
v = tf.get_variable(‘v‘, shape=[1], initializer=tf.constant_initializer(1.0))
v = tf.Variable(tf.constant(1.0, shape=[1], name=‘v‘)

tf.get_varialbe和tf.Variable最大的区别在于:tf.Variable的变量名是一个可选项,通过name=’v’的形式给出。但是tf.get_variable必须指定变量名

2. tf.get_variable与tf.variable_scope

上面已经提到过了:TensorFlow中通过变量名获取变量的机制主要是通过tf.get_variable和tf.variable_scope实现的。在这里,我主要解释下大家深恶痛绝的reuse问题
其实只要记住一件事情就ok了:当reuse为False或者None时(这也是默认值),同一个tf.variable_scope下面的变量名不能相同;当reuse为True时,tf.variable_scope只能获取已经创建过的变量。
下面我们通过代码来看下:

#reuse=False时会报错的情况:
with tf.variable_scope(‘foo‘):
    v = tf.get_variable(‘v‘,[1],initializer=tf.constant_initializer(1.0))

with tf.variable_scope(‘foo‘):
    v1 = tf.get_variable(‘v‘,[1])

在这种情况下会报错:Variable foo/v already exists, disallowed.Did you mean to set reuse=True in Varscope?
其原因就是在命名空间foo中创建了相同的变量。如果我要在foo下创建一个变量v1,其name=‘v’,只需要将reuse设置为Ture就ok了。将上面第二部分代码修改为:

with tf.variable_scope(‘foo‘, reuse=True):
    v1 = tf.get_variable(‘v‘,[1])
    print(v1.name)      #结果为foo/v

当reuse已经设置为True时,tf.variable_scope只能获取已经创建过的变量。这个时候,在命名空间bar中创建name=‘v’的变量v3,将会报错:Variable bar/v dose not exists, diallowed. Did you mean to set reuse=None in VarScope?

with tf.variable_scope(‘bar‘, reuse=True):
    v3 = tf.get_variable(‘v‘,[1])

简而言之,reuse=False时,tf.variable_scope创建变量;reuse=True时,tf.variable_scope获取变量

3. tf.variable_scope与tf.name_scope

除了tf.variable_scope,tf.name_scope函数也提供了命名空间管理的功能。这两个函数在大部分情况下是等价的,唯一的区别是在使用tf.get_variable函数时。
tf.get_variable函数不受tf.name_scope的影响
我们从代码看下这句话的具体意思。
首先是tf.variable_scope:

with tf.variable_scope(‘foo‘):
    a = tf.get_variable(‘bar‘,[1])
    print(a.name)#结果为foo/bar:0

  

再看tf.name_scope:

with tf.name_scope(‘a‘):
    a=tf.Variable([1])
    print(a.name)#结果为a/Variable:0

    b=tf.get_variable(‘b‘,[1])
    print(b.name)#结果为b:0

  

 

从这个结果中,我们能很清晰地看到,tf.get_variable创建的变量并不是a/b:0,而是b:0。这就表示了在tf.name_scope函数下,tf.get_variable不受其约束









以上是关于tf.Variabletf.get_variabletf.variable_scope以及tf.name_scope关系的主要内容,如果未能解决你的问题,请参考以下文章