2. 程式人生 > >tf.get_variable()與tf.Variable()的區別

tf.get_variable()與tf.Variable()的區別

阿新 • • 發佈：2018-12-13 
tf.get_variable(
    name,
    shape=None,
    dtype=None,
    initializer=None,
    regularizer=None,
    trainable=None,
    collections=None,
    caching_device=None,
    partitioner=None,
    validate_shape=True,
    use_resource=None,
    custom_getter=None,
    constraint=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.VariableAggregation.NONE
)
 
 

在tf.Variable中

__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None,
    constraint=None,
    use_resource=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.VariableAggregation.NONE
)

1、tf.Variable()在檢測到命名衝突時，會自動處理，而tf.get_variable()則會報錯。

2、當需要共享變數時，需要使用tf.get_variable()

相關推薦

tf.get_variable()與tf.Variable()的區別

tf.get_variable(     name,     shape=None,     dtype=None,     initializer=None,     regularizer=Non

tensorflow學習筆記1：tf.Variable、tf.get_variable與tf.get_variable、tf.variable_scope對比總結

** 0. 淺談tensorflow變數機制 ** tensorflow提供了通過變數名稱來建立或者獲取一個變數的機制。通過這個機制，在不同的函式中可以直接通過變數的名字來使用變數，而不需要將變數通過引數的形式到處傳遞，實現了變數共享。 ** 1. 對比tf.V

【tensorflow】tf.get_variable()和tf.Variable()的區別

1.tf.Variable() tf.Variable(initial_value, trainable=True, collections=None, validate_shape=True, name=None) ##initial_value為變數的初始值 tf.get

tensorflow基礎知識(六) tensor變數 tf.Variable與tf.get_variable和tf.variable_scope

tensorflow中的變數 1 tf.Variable與tf.get_variable建立變數 2 tf.variable_sco

【tensorflow 學習】tf.get_variable()和tf.Variable()的區別

1. tf.Variable() W = tf.Variable(<initial-value>, name=<optional-name>) 用於生成一個初始值為initial-value的變數。必須指定初始化值 2.tf.get_variab

tensorflow之tf.placeholder 與 tf.Variable區別對比

二者的主要區別在於 Variable：主要是用於訓練變數(trainable variables)之類的。比如我們經常使用的網路權重，偏置。  值得注意的是Variable在宣告是必須賦予初始值。在訓練過程中該值很可能會進行不斷的加減操作變化。  名稱的真實含義，在於變數，也

tf.Variable、tf.get_variable、tf.variable_scope以及tf.name_scope關系

str constant 情況下 變量 shape 可選 指定 選項 命名 1. tf.Variable與tf.get_variable tensorflow提供了通過變量名稱來創建或者獲取一個變量的機制。通過這個機制，在不同的函數中可以直接通過變量的名字來使用變量，而不需

tf.placeholder 與 tf.Variable

tf.Variable：主要在於一些可訓練變數（trainable variables），比如模型的權重（weights，W）或者偏執值（bias）； 　　宣告時，必須提供初始值； 　　名稱的真實含義，在於變數，也即在真實訓練時，其值是會改變的，自然事先需要指定初始值；

tf.Variable()、tf.get_variable()、tf.name_scope()、tf.variable_scope()

- tf.Variable() W = tf.Variable(<initial-value>, name=<optional-name>) 用於生成一個初始值為init

tensorflow 變數生成 變數管理 tf.Variable、tf.get_variable、tf.variable_scope

____tz_zs學習筆記tf.Variabledef __init__(self, initial_value=None, trainable=True, collections=N

tf.add 與tf.nn.bias_add 區別

1. tf.add(a, b) 與 a+b在神經網路前向傳播的過程中，經常可見如下兩種形式的程式碼：tf.add(tf.matmul(x, w), b)tf.matmul(x, w) + b簡而言之，就是 tf.add(a, b) 與 a + b二者的區別，類似的也有，tf.

TensorFlow裡建立變數的兩種方式有 tf.get_variable() 和 tf.Variable()

import tensorflow as tf with tf.variable_scope('variable_scope_y') as scope: var1 = tf.get_variable(name='var1', shape=[1], dtype=tf.float32) scop

TensorFlow入門：tf.InteractiveSession()與tf.Session()區別

tf.InteractiveSession():它能讓你在執行圖的時候，插入一些計算圖，這些計算圖是由某些操作(operations)構成的。這對於工作在互動式環境中的人們來說非常便利，比如使用IPython。 tf.Session():需要在啟動session之前構建

徹底弄懂tf.Variable、tf.get_variable、tf.variable_scope以及tf.name_scope異同

我之前有轉載過一篇講tf.variable_scope和tf.name_scope的文章，今天一看，覺得還是沒介紹太清楚，沒講到點子上，畢竟英文什麼的看起來還是挺麻煩的。故而，今天來細細梳理下tf.Variable、tf.get_variable、tf.vari

tf.Variable、tf.get_variable、tf.variable_scope以及tf.name_scope之間的關系

第二部分 向量 tps 選項 關系 修改 variables 通過 參考 tensorflow提供通過變量名稱來創建或者獲取一個變量的機制。通過這個機制，在不同的函數中可以直接通過變量的名字來使用變量，而不需要將變量通過參數的形式到處傳遞。 1. tf.Variable與

tf.InteractiveSession()與tf.Session()

ont ipy 運行 rac 構建 pytho class log gpo tf.InteractiveSession():它能讓你在運行圖的時候，插入一些計算圖，這些計算圖是由某些操作(operations)構成的。這對於工作在交互式環境中的人們來說非常便利，比如使用IP

tf.control_dependencies與tf.identity組合詳解

引言 我們在實現神經網路的時候經常會看到tf.control_dependencies的使用，但是這個函式究竟是什麼作用，我們應該在什麼情況下使用呢？今天我們就來一探究竟。 理解 其實從字面上看，control_dependencies 是控制依賴的意思，我們可以大致推測出來，這個函式應

TensorFlow 辨異 tf add a b 與 a b tf assign 與 tf nn bia

分享一下我老師大神的人工智慧教程！零基礎，通俗易懂！http://blog.csdn.net/jiangjunshow 也歡迎大家轉載本篇文章。分享知識，造福人民，實現我們中華民族偉大復興！        

Tensorflow之tf.split() 與 tf.squeeze()

split( value, num_or_size_splits, axis=0, num=None, name='split' ) 輸入：  value： 輸入的tensor  num_or_size_splits: 如果是個整數

TensorFlow 學習 二 tf Session 與 tf Session run

                     session：with tf.Session() as sess:/ tf.InteractiveSession()初始化：tf.global_variables_initializer()with tf.Session() as sess: sess.run(tf