白話TensorFlow+實戰系列（四）變數管理

這篇文章主要記錄常用的兩種管理變數的方法。個人感覺變數管理是比較重要的，特別是當建立一個複雜的神經網路的時候，變數一旦增多，如果不好好管理這些變數，程式碼的可讀性會變得比較差，到最後可能自己都不知道變數到底指的是啥。所以，這次總結了兩種常用的管理變數方法。

1）基於字典的方法建立變數。

這種方法其實就是用字典的方式，key就是你取的網路層名字，value就是神經網路各層的變數。如要建立有兩個隱藏層的神經網路，各層的變數可由如下程式碼管理：

其中layer1表示的是輸入層到第一層隱藏層的變數

layer2表示第一層隱藏層到第二層隱藏層的變數

out表示第二層隱藏層到輸出層的變數

這樣我們就將各層的變數透過字典的形式封裝起來，當構建神經網路的時候，我們可以直接呼叫，示例如下：

如圖透過直接呼叫w［“layer1”］就可以獲取layer1的權重，以此類推。

這樣就成功的建立了一個全連線神經網路

2）變數共享

TensorFlow提供了一種更簡單的方法管理變數，即變數共享。該方法主要是透過tf。get_variable（）與tf。variable_scope（）函式來實現。下面分別說說怎麼用

1。tf。get_variable（）

該函式可以用於建立變數，也可以用於獲取已經建立的變數。

當用於建立變數的時候，他的作用與tf。Variable（）可以理解成一樣，只是引數的設定位置不同而已。

如圖，以下這兩個變數建立的形式一樣：

這兩個都是建立一個2*3的張量，不同的是，tf。Variable（）張量名稱這個引數是可選的，tf。get_variable（）是必填的，並且tf。get_variable（）是用initializer

= 。。。。來初始化張量的型別。

其中tf。random_normal_initializer（）初始化函式只是在tf。random_normal後面加個initializer（）而已，其他的如tf。constant

也是加個變成 tf。constant_initializer（），其他相似的函式類似，就不一一列舉。

當需要用tf。get_variable（）獲取變數時，就需要透過tf。variable_scope（）來建立一個上下文管理器，這個函式包含一個reuse引數，是一個布林型引數，當reuse

= True時，指明在該管理器中，tf。get_variable（）用於獲取已經建立的變數；當reuse = False時，指明在該管理器中，tf。get_variable（）用於建立變數。

如圖，在名稱空間foo中建立一個變數v1：

接著在名稱空間foo中獲取變數v1：

列印結果為True，表明已經獲取到之前建立的v1。

接下來用變數共享的方法來建立之前的神經網路，程式碼如下：

這樣程式碼的可讀性會比較強。

當需要用訓練好的網路時，直接呼叫network（x_input， reuse = True）即可。

部落格首發地址