tensorflow（二）—变量

小半 • 2023年1月29日下午4:20 • 技术随笔 • 阅读 195

tensorflow—-变量

一、变量

1.定义

变量是一种特殊的张量，他是一个有状态的张量，常驻内存，他的生命周期要长一些，也就是一次迭代后他的空间不会被释放，一直到所有的计算结束才释放内存。

2.变量的常规操作

import tensorflow as tf

# 创建变量
w = tf.Variable(values, name)

# 将变量作为操作输入
y = tf.matmul(w, another Variable or Tensor)
z = tf.sigmoid(w + y)

# 使用assign 或 assign_××× 方法重新给变量赋值
w.assign(w + 1)  # 等价与下一行操作
w.assign_add(1)

3.变量使用流程

tf.train.saver是用来保存训练模型时的参数，使得数据持久化。对应的是数据节点
更新操作对应的是计算节点
创建和初始化对应的是数据节点

4.变量使用流程-代码描述

导入模块：

import tensorflow as tf
import numpy as np

（1）创建张量:

# 创建变量
m = tf.Variable(np.random.randint(1, 10, size=(3, 4)), name='m')  # 一般Variable需要两个参数，values和变量名称，如果需要可以加上dtype
n = tf.Variable([1, 1, 1, 1], name='m')
print([m, n])

结果：
[<tf.Variable 'm_11:0' shape=(3, 4) dtype=int32_ref>, <tf.Variable 'm_12:0' shape=(4,) dtype=int32_ref>]

（2）初始化变量：

# 初始化变量
# 创建会话
sess = tf.Session()
# 使用 global_variables_initializer 方法初始化m,n 并设置为全局变量
sess.run(tf.global_variables_initializer())
# 获取m, n
sess.run([m, n])

结果：
[array([[8, 1, 7, 6],
        [8, 5, 2, 7],
        [5, 1, 2, 1]]), array([1, 1, 1, 1])]

（3）执行更新 b变量的操作：

# 执行更新 b变量 的操作
sess.run(tf.assign_add(n, [2, 2, 2, 2]))

# 结果：
array([3, 3, 3, 3])

查看变量b 是否更新成功：

# 查看变量b 是否更新成功
sess.run(n)

结果：
array([3, 3, 3, 3])

注意：上面的两步意义不一样，前者是说明更新操作执行成功(执行成功会返回更新后的结果);后者是查看b是否更新成功。
（4）数据存储：

# 保存变量 m, n
saver = tf.train.Saver({'m':m, 'n':n})
saver.save(sess, './data/capt', global_step=0)

# 再次更新n
sess.run(tf.assign_add(n, [2, 2, 2, 2]))
sess.run(n)

（5）恢复数据：

# 恢复源数据
saver.restore(sess, './data/capt-0')
sess.run(n)

# 结果：
INFO:tensorflow:Restoring parameters from ./data/capt-0
Out[44]:
array([3, 3, 3, 3])

文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/84750.html