????tensorflow中有兩個關于variable的op，tf.Variable()與tf.get_variable()下面介紹這兩個創建變量函數的區別

??? 先來看看這兩個函數的參數列表，就不打了，直接截圖：

????????????

????????????

首先有一個區別非常明顯：

?? （1） tf.Variable() 初始化是直接傳入initial_value ， 我們使用的時候一般是這樣子初始化的：

a = tf.Variable(initial_value=tf.random_normal(shape=[200, 100], stddev=0.1), trainable=True)

????? （2）tf.get_variable()初始化是傳入一個initializer：

???

b = tf.get_variable(name = 'weights', shape=[200, 100], dtype=tf.float32, initializer=tf.random_normal_initializer(stddev=0.1))

當然，明顯的區別明顯都能看出來，重點是下面這個區別

????使用tf.Variable時，如果檢測到命名沖突，系統會自己處理。使用tf.get_variable()時，系統不會處理沖突，而會報錯

import tensorflow as tf w_1 = tf.Variable(3,name="w_1") w_2 = tf.Variable(1,name="w_1") print w_1.name print w_2.name #輸出 #w_1:0 #w_1_1:0 import tensorflow as tfw_1 = tf.get_variable(name="w_1",initializer=1) w_2 = tf.get_variable(name="w_1",initializer=2) #錯誤信息 #ValueError: Variable w_1 already exists, disallowed. Did #you mean to set reuse=True in VarScope?

??? 所以當我們需要共享變量的時候，需要使用tf.get_variable()。在其他情況下，這兩個的用法是一樣的。為了方便變量管理，tensorflow 還有一個變量管理器，叫做tf.variable_scope ,舉個栗子：

import tensorflow as tfwith tf.variable_scope("scope1"): # scopename is scope1 w1 = tf.get_variable("w1", shape=[])w2 = tf.Variable(0.0, name="w2") with tf.variable_scope("scope1", reuse=True):w1_p = tf.get_variable("w1", shape=[])w2_p = tf.Variable(1.0, name="w2")print(w1 is w1_p, w2 is w2_p) # True False 這就是這兩個函數的區別了，在構建網絡的時候用起來，你就能夠更加深入的了解他們的區別。

總結

以上是生活随笔為你收集整理的tf.Variable和 tf.get_variable区别（1）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。