TensorFlow入门 - 变量(Variables)_tensorflow中layer的build中的variables路径

训练模型时，需要使用变量(Variables)保存和更新参数。Variables是包含张量(tensor)的内存缓冲。变量必须要先被初始化(initialize)，而且可以在训练时和训练后保存(save)到磁盘中。之后可以再恢复(restore)保存的变量值来训练和测试模型。
主要参考一下两类：
- The tf.Variable class.
- The tf.train.Saver class.

1.创建(Creation)

创建Variable，需将一个tensor传递给Variable()构造函数。可以使用TensorFlow提供的许多ops(操作)初始化张量，参考constants or random values。这些ops都要求指定tensor的shape(形状)。比如

Create two variables.

weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name=”weights”)
biases = tf.Variable(tf.zeros([200]), name=”biases”)

调用tf.Variable()函数在graph中增加以下几个ops:
- 一个Variable op ,负责保存变量值。
- 一个initializer op,负责将变量设为初始值，这实际是tf.assign op。
- 初始值的op，比如zeros op 。

tf.Variable()返回一个tf.Variable类的实例。

2.设备安置(Device placement)

使用 with tf.device(…): block，将一个变量安置在一个设备上。

Pin a variable to CPU.

with tf.device(“/cpu:0”):
v = tf.Variable(…)

Pin a variable to GPU.

with tf.device(“/gpu:0”):
v = tf.Variable(…)

Pin a variable to a particular parameter server task.

with tf.device(“/job:ps/task:7”):
v = tf.Variable(…)

改变变量的一些ops,比如v.assign()和tf.train.Optimizer需要与变量在同一个设备上。

3.初始化(Initialization)

在运行模型中其他操作之前，必须先对变量进行初始化。最简单的初始化方法是添加一个对所有变量进行初始化的op,然后再使用model前运行此op。

3.1全局初始化

使用tf.global_variables_initializer()添加一个op来运行初始化。要在完全构建完模型后，在一个对话(Session)中运行它。

Create two variables.

weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name=”weights”)
biases = tf.Variable(tf.zeros([200]), name=”biases”)
…

Add an op to initialize the variables.

init_op = tf.global_variables_initializer()

Later, when launching the model

with tf.Session() as sess:
# Run the init operation.
sess.run(init_op)
…
# Use the model
…

3.2 用其他变量值创建变量

用变量A的值初始化另一个变量B，需使用变量A的属性(property)initialized_value()。可以直接使用变量A的初始值，也可以用之计算新的值。

Create a variable with a random value.

weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
name=”weights”)

Create another variable with the same value as ‘weights’.

w2 = tf.Variable(weights.initialized_value(), name=”w2”)

Create another variable with twice the value of ‘weights’

w_twice = tf.Variable(weights.initialized_value() * 2.0, name=”w_twice”)

3.3自定义初始化

可以给tf.global_variables_initializer()添加一个显示列表自定义要初始化的变量。参考Variables Documentation了解更多。

4.保存和恢复Saving and Restoring

最简单的方法是用tf.train.Saver对象，此构造函数在graph中为所有变量(or a specified list)添加save和restore ops。saver对象提供运行这些ops的方法，并指定读写checkpoint files的路径。

4.1 checkpoint文件

变量存储在一个二进制文件中，包含从变量名称到张量值的映射。

创建checkpoint files时，可以选择性地选择变量名称来保存。默认情况，它使用每个Variable的Variable.name属性。

可以使用inspect_checkpoint库查看checkpoint file中的变量，还有print_tensrs_in_checkpoint_file函数。

4.2保存变量

用tf.train.Saver()创建一个Saver对象来管理模型中所有变量。

Create some variables.

v1 = tf.Variable(…, name=”v1”)
v2 = tf.Variable(…, name=”v2”)
…

Add an op to initialize the variables.

init_op = tf.global_variables_initializer()

Add ops to save and restore all the variables.

saver = tf.train.Saver()

Later, launch the model, initialize the variables, do some work, save the variables to disk.

with tf.Session() as sess:
sess.run(init_op)

Do some work with the model.

..

Save the variables to disk.

save_path = saver.save(sess, “/tmp/model.ckpt”)
print(“Model saved in file: %s” % save_path)

先初始化变量，再操作模型，最后保存变量。

4.3恢复变量

使用同样的Saver对象恢复变量，恢复变量时，就不用先初始化变量了。

Create some variables.

v1 = tf.Variable(…, name=”v1”)
v2 = tf.Variable(…, name=”v2”)
…

Add ops to save and restore all the variables.

saver = tf.train.Saver()

Later, launch the model, use the saver to restore variables from disk, and

do some work with the model.

with tf.Session() as sess:

Restore variables from disk.

saver.restore(sess, “/tmp/model.ckpt”)
print(“Model restored.”)

Do some work with the model

…

无初始化操作，先恢复变量，再操模型。

4.4选择保存和恢复的变量

如果不给tf.train.Saver传递任何参数，Saver会在graph中处理所有变量。每个变量会存在他们创建时的name下。

通过给tf.train.Saver传递一个Python字典，可以指定保存变量的name。key是要在checkpoint file中使用的name, values指要管理的变量。

注意：

• 
  
• 可以创建多个saver，分别保存不同的变量集合。
• 如果在对话开始时，只恢复了部分变量，就要对其他变量运行initializer op。参考tf.variables_initializer()
  

Create some variables.

v1 = tf.Variable(…, name=”v1”)
v2 = tf.Variable(…, name=”v2”)
…

Add ops to save and restore only ‘v2’ using the name “my_v2”

saver = tf.train.Saver({“my_v2”: v2})

Use the saver object normally after that.

…