Tensorflow函數：tf.get_variable()

一. 函數的作用

該函數的主要作用是擷取已存在的變量(要求不僅名字，而且初始化方法等各個參數都一樣)，若發現不存在則建立一個新變量；其可以采用各種初始化方法，不用明确指定值。

(與之相比的tf.Variable()則是每次均建立一個值)

二. 函數的參數說明

1. 函數的整體結構如下：

tf.get_variable(name, shape, dtype, initializer, regularizer, trainable, collections, caching_device, validate_shape)

2. 函數中的各個參數解釋如下：

• name: 新變量或現有變量的名稱。
• shape: 新變量或現有變量的形狀。
• dtype: 新變量或現有變量的類型。
• initializer: 可以了解為一個初始化器，如果建立了，則用它來初始化變量，預設為None，常見的初始化器如下：

         tf.random_normal_initializer(mean, stddev, seed, dtype)

         tf.truncated_normal_initializer(mean, stddev, seed, dtype)

         tf.random_uniform_initializer(minval, maxval, seed, dtype)

         tf.uniform_unit_scaling_initializer(factor, seed, dtype)

         tf.constant_initializer(value, dtype, name)

         tf.zeros_initializer(dtype)

         tf.ones_initializer(dtype)

• regularizer: 指一個正則化對象，其可将于新建立的變量的結果添加到集合tf.GraphKeys.REGULARIZATION_LOSS中，并可用于正則化。
• trainable: 若為‘True’，則該變量為可訓練變量，自動被加入GraphKeys.TRAINABLE_VARIABLES。
• collections: 為一個集合清單的關鍵字，新變量将被添加到這個集合中，預設[GraphKeys.GLOBAL_VARIABLES]。
• caching_device: 可選裝置字元串，描述應該緩存變量以供讀取的位置。
• validate_shape: 預設為True，表示該變量的形狀不接受更改。

注：a. 如果initializer初始化方法是None(預設值)，則會使用variable_scope()中定義的initializer；如果變量管理器中對應的參數也為None，則預設使用glorot_uniform_initializer；其也可以使用其他的tensor來初始化，進一步了解可參考部落格。

       b. 正則化方法對象regularizer預設是None，如果不指定，則會采用變量管理器variable_scope()中的正則化方式；如果變量管理器中對應的參數也為None，則不使用正則化，進一步了解可參考部落格。

       c. 可以通過tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES)函數檢視參與正則化的變量

3. 函數的使用

1. 采用tf.get_variable()進行變量建立

#*******************************導入相關子產品***********************************#
import tensorflow as tf
import numpy as np
 
#*******************************聲明兩個變量***********************************#
x1 = tf.get_variable('x1', shape=[2,3], initializer=tf.random_normal_initializer(mean=0, stddev=0.1))

x2 = tf.get_variable('x2', shape=[1,3], initializer=tf.constant_initializer([4,5,6]))
 
#********************************建立會話*************************************#
with tf.Session() as sess:
    #-------------------變量進行初始化
    init_op = tf.global_variables_initializer()
    sess.run( init_op )
    #-------------------輸出變量及名稱
    print( sess.run(x1) )
    print( x1.op.name )
    print( sess.run(x2) )
    print( x2.op.name )
 
 
#--------------------模型的輸出
[[ 0.08277216 -0.14316109  0.03541737]
 [ 0.02363679 -0.19219622 -0.17002776]]

x1

[[4. 5. 6.]]

x2
           

2. 使用該函數的優點：

          a. 初始化更友善，比如用xavier_initializer()初始化器。

          b. 友善共享變量。因為tf.get_variable()會檢查目前命名空間下是否存在同樣name的變量，可以友善共享變量。而tf.Variable()每次都會建立一個變量。需要注意的是tf.get_variable()往往需要要配合reuse參數和tf.variable_scope()使用。