TensorFlow——共享变量的使用方法

1.共享变量用途

在构建模型时，需要使用tf.Variable来创建一个变量（也可以理解成节点）。当两个模型一起训练时，一个模型需要使用其他模型创建的变量，比如，对抗网络中的生成器和判别器。如果使用tf.Variable，将会生成一个新的变量，而我们需要使用原来的那个变量。这时就是通过引入get_Variable方法，实现共享变量来解决这个问题。这种方法可以使用多套网络模型来训练一套权重。

2.使用get_Variable获取变量

get_Variable一般会配合Variable_scope一起使用，以实现共享变量。Variable_scope的含义是变量作用域。在某一作用域中的变量可以被设置成共享的方式，被其他网络模型使用。

get_Variable函数的定义如下：

tf.get_Variable(<name>, <shape>, <initializer>)

在TensorFlow里，使用get_Variable时候生成的变量是以指定的name属性为唯一标识，并不是定义的变量名称。使用时一般是通过name属性定位到具体变量，并将其共享到其他的模型中。

import tensorflow as tf
import numpy as npvar1 = tf.Variable(1.0, name='first_var')
print("var1: ", var1.name)var1 = tf.Variable(2.0, name='first_var')
print('var1: ', var1.name)var2 = tf.Variable(3.0)
print('var2: ', var2.name)var2 = tf.Variable(4.0)
print('var1: ', var2.name)with tf.Session() as sess:sess.run(tf.global_variables_initializer())print("var1=", var1.eval())print("var2=", var2.eval())print()

在上述的代码中，，可以看到内存中有两个var1，并且他们的name是不一样的，对于图来说，后面的var1是生效的。当Variable定义没有指定名字时，系统会自动的加上一个名字Variable：0

3.get_Variable用法演示

import tensorflow as tf
import numpy as npget_var1 = tf.get_variable('firat_var_1', [1], initializer=tf.constant_initializer(2))
print("var1: ", get_var1.name)get_var1 = tf.get_variable('firat_var_2', [1], initializer=tf.constant_initializer(3))
print("var1: ", get_var1.name)with tf.Session() as sess:sess.run(tf.global_variables_initializer())print("var1=", get_var1.name)print("var1=", get_var1.eval())

使用不同的name定义变量，当使用相同的name时，会抛出异常，变量名可以相同，但是name是不能相同的。

如果要使用相同的name的话，我们需要使用variable_scope将他们隔开，看如下代码：

import tensorflow as tfwith tf.variable_scope('test_1'):var1 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)with tf.variable_scope('test_2'):var1 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)print("var1:", var1.name)
print("var1:", var1.name)

根据程序的运行结果，我们可以发现变量的名字加上了作用域的名称，这样使得我们能够在不同的作用域下面定义name相同的变量，同时，scope还支持嵌套定义，

with tf.variable_scope('test_0'):with tf.variable_scope('test_1'):var1 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)with tf.variable_scope('test_2'):var1 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)print("var1:", var1.name)
print("var1:", var1.name)

4.共享作用域

使用作用域中的参数reuse可以实现共享变量功能

在variable_scope里面有一个reuse=True属性，表示使用已经定义过的变量，这时，get_variable将不会在创建新的变量，而是去图中get_variable所创建的变量中找与name相同的变量。

import tensorflow as tfwith tf.variable_scope('test_0'):var1 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)with tf.variable_scope('test_2'):var2 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)with tf.variable_scope('test_0', reuse=True):var3 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)with tf.variable_scope('test_2'):var4 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)print("var1:", var1.name)
print("var2:", var2.name)print("var3:", var3.name)
print("var4:", var4.name)

在上述的输出结果中，我们可以看到，var1和var3的名字一样，var2和var4的名字一样，则表明他们是同一个变量，如此就实现了变量的共享。在实际应用中，可以将1,2和3,4分别放在不同的模型进行训练，但是他们会作用于同一个模型的学习参数上。

使用anaconda的spyder工具运行时，代码只能运行一次，第二次运行将会报错。可以退出当前的kernel，再重新进入一下，因为tf.get_varibale在创建变量时，会去检查图中是否已经创建过该变量，如果创建过且不是共享的方式，则会报错。

因而可以使用tf.reset_default_graph()，将图里面的变量清空，就可以解决这个问题。

5.初始化共享变量

variable_scope和get_variable都具有初始化的功能。在初始化时，如果没有对当前变量初始化，则TensorFlow会默认使用作用域的初始化，并且作用域的初始化方法也有继承功能。

import tensorflow as tfwith tf.variable_scope('test_0', initializer=tf.constant_initializer(0.15)):var1 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)with tf.variable_scope('test_2'):var2 = tf.get_variable('first_var', shape=[2], dtype=tf.float32)var3 = tf.get_variable('first_var_2', shape=[2], initializer=tf.constant_initializer(0.315))with tf.Session() as sess:sess.run(tf.global_variables_initializer())print("var1:", var1.eval())print("var2:", var2.eval())print("var3:", var3.eval())

当变量没有进行初始化时，会继承它的域的初始化方式，域也会继承它的上一级的域的初始化方式。在多模型训练时，常常可以对模型中的张量进行分区，同时，同一进行初始化。在变量共享方面，可以使用tf.AUTO_REUSE来为reuse属性赋值。tf。AUTO_REUSE可以实现第一次调用variable_scope时，传入reuse的值为false，再次调用时，reuse的值为True。

6.作用域与操作符的受限范围

variable_scope还可以使用with variable_scope as xxxscope的方式定义作用域，当使用这种方式时，将不会在受到外层的scope所限制。

import tensorflow as tfwith tf.variable_scope('test2', initializer=tf.constant_initializer(1.5)) as sp:var1 = tf.get_variable('var1', [2], dtype=tf.float32)print(sp.name)
print(var1.name)with tf.variable_scope('test1', dtype=tf.float32, initializer=tf.constant_initializer(5.5)):var2 = tf.get_variable('var1', [2], dtype=tf.float32)with tf.variable_scope(sp) as sp1:var3 = tf.get_variable('var2', [2], dtype=tf.float32)print("var2:", var2.name)print("var3:", var3.name)with tf.Session() as sess:sess.run(tf.global_variables_initializer())print("var2:", var2.eval())print("var2:", var3.eval())

通过with tf.variable_scope(sp) as sp1我们可知其没有收到外层的作用域所限制，初始化的操作时，它的值不是外层作用域的初始化值，而是指定的作用域的初始化的值。

对于操作符而言，不仅收到tf.name_scope限制还收到tf.variable_scope限制。

import tensorflow as tf
import numpy as npwith tf.variable_scope('scope'):with tf.name_scope('op'):v = tf.get_variable('var1', [1])x = v + 2.0print("v:", v.name)
print('x', x.name)

根据结果，我们可知，通过添加tf.name_scope('op'):作用域时，变量的命名并没有收到限制，只是改变了op的命名，通过tf.name_scope(''):还可以返回到顶层的作用域中。

import tensorflow as tf
import numpy as npwith tf.variable_scope('scope'):var1 = tf.get_variable("v", [1])with tf.variable_scope('scope_1'):var2 = tf.get_variable("v", [1])with tf.name_scope(''):var3 = tf.get_variable('var1', [1])x = var3 + 2.0print("var1 ", var1.name)
print('var2 ', var2.name)
print('var3 ', var3.name)
print('x ', x.name)

通过将通过tf.name_scope('')设置为空，对于变量名是没有影响，但是可以看到x的命名，它已经变成了最外层的命名了。

转载于:https://www.cnblogs.com/baby-lily/p/10934131.html

TensorFlow——共享变量的使用方法相关推荐

Tensorflow中scope命名方法
两篇文章掌握Tensorflow中scope用法: [1]Tensorflow中scope命名方法(本文) [2]Tensorflow中tf.name_scope() 和 tf.variable_sc ...
【tensorflow】Sequential 模型方法
深入学习Keras中Sequential模型及方法 - 战争热诚 - bky https://www.cnblogs.com/wj-1314/p/9579490.html Sequential 序贯模 ...
【tensorflow】Sequential 模型方法 compile， model.compile
Sequential 顺序模型 API - Keras 中文文档 https://keras.io/zh/models/sequential/ Sequential 序贯模型序贯模型是函数式模型的简 ...
新版本GPU加速的tensorflow库的配置方法
本文介绍在Anaconda环境中,配置可以用GPU运行的Python新版tensorflow库的方法. 在上一篇文章Anaconda配置Python新版本tensorflow库(CPU.GPU ...
ModuleNotFoundError: No module named ‘tensorflow.compat.v2‘解决方法
ModuleNotFoundError: No module named 'tensorflow.compat.v2'解决方法原因: tensorflow和keras版本不对齐或者keras版本过高 ...
python36+centos7离线安装tensorflow与talib的方法
由于应用程序的服务器不能连接外网,导致无法使用pip install tensorflow/TA-Lib的方法: 环境配置:python3.6+centos7.2 通过间接的方法来完成安装:找一个能连 ...
Anaconda安装tensorflow报错问题解决方法
最近脱离了googlecolab想使用本地的anaconda进行机器学习课题的演练,在安装tensorflow时报错 : UnsatisfiableError: The following speci ...
python安装tensorflow报错_Anaconda安装tensorflow报错问题解决方法
最近脱离了googlecolab想使用本地的anaconda进行机器学习课题的演练,在安装tensorflow时报错 : UnsatisfiableError: The following speci ...
tensorflow中的Session方法解释
Session()方法首先我们需要创建一个Session对象.在不传参数的情况下,该Session的构造器将启动默认的图.之后我们可以通过Session对象的run(op)来执行我们想要的操作.te ...

TensorFlow——共享变量的使用方法

TensorFlow——共享变量的使用方法相关推荐

最新文章

热门文章