TENSORFLOW變量作用域的示例分析

這篇文章主要介紹TENSORFLOW變量作用域的示例分析，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

舉例說明

TensorFlow中的變量一般就是模型的參數(shù)。當模型復雜的時候共享變量會無比復雜。

官網(wǎng)給了一個case，當創(chuàng)建兩層卷積的過濾器時，每輸入一次圖片就會創(chuàng)建一次過濾器對應的變量，但是我們希望所有圖片都共享同一過濾器變量，一共有4個變量：conv1_weights,conv1_biases,conv2_weights, and conv2_biases。

通常的做法是將這些變量設置為全局變量。但是存在的問題是打破封裝性，這些變量必須文檔化被其他代碼文件引用，一旦代碼變化，調(diào)用方也可能需要變化。

還有一種保證封裝性的方式是將模型封裝成類。

不過TensorFlow提供了Variable Scope 這種獨特的機制來共享變量。這個機制涉及兩個主要函數(shù)：

tf.get_variable(<name>, <shape>, <initializer>) 創(chuàng)建或返回給定名稱的變量
tf.variable_scope(<scope_name>) 管理傳給get_variable()的變量名稱的作用域

在下面的代碼中，通過tf.get_variable()創(chuàng)建了名稱分別為weights和biases的兩個變量。

def conv_relu(input, kernel_shape, bias_shape):
  # Create variable named "weights".
  weights = tf.get_variable("weights", kernel_shape,
    initializer=tf.random_normal_initializer())
  # Create variable named "biases".
  biases = tf.get_variable("biases", bias_shape,
    initializer=tf.constant_initializer(0.0))
  conv = tf.nn.conv2d(input, weights,
    strides=[1, 1, 1, 1], padding='SAME')
  return tf.nn.relu(conv + biases)

但是我們需要兩個卷積層，這時可以通過tf.variable_scope()指定作用域進行區(qū)分，如with tf.variable_scope("conv1")這行代碼指定了第一個卷積層作用域為conv1，

在這個作用域下有兩個變量weights和biases。

def my_image_filter(input_images):
  with tf.variable_scope("conv1"):
    # Variables created here will be named "conv1/weights", "conv1/biases".
    relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])
  with tf.variable_scope("conv2"):
    # Variables created here will be named "conv2/weights", "conv2/biases".
    return conv_relu(relu1, [5, 5, 32, 32], [32])

最后在image_filters這個作用域重復使用第一張圖片輸入時創(chuàng)建的變量，調(diào)用函數(shù)reuse_variables()，代碼如下：

with tf.variable_scope("image_filters") as scope:
  result1 = my_image_filter(image1)
  scope.reuse_variables()
  result2 = my_image_filter(image2)

tf.get_variable()工作機制

tf.get_variable()工作機制是這樣的：

當tf.get_variable_scope().reuse == False，調(diào)用該函數(shù)會創(chuàng)建新的變量

with tf.variable_scope("foo"):
  v = tf.get_variable("v", [1])
assert v.name == "foo/v:0"

當tf.get_variable_scope().reuse == True，調(diào)用該函數(shù)會重用已經(jīng)創(chuàng)建的變量

with tf.variable_scope("foo"):
  v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):
  v1 = tf.get_variable("v", [1])
assert v1 is v

變量都是通過作用域/變量名來標識，后面會看到作用域可以像文件路徑一樣嵌套。

tf.variable_scope理解

tf.variable_scope()用來指定變量的作用域，作為變量名的前綴，支持嵌套，如下：

with tf.variable_scope("foo"):
  with tf.variable_scope("bar"):
    v = tf.get_variable("v", [1])
assert v.name == "foo/bar/v:0"

當前環(huán)境的作用域可以通過函數(shù)tf.get_variable_scope()獲取，并且reuse標志可以通過調(diào)用reuse_variables()設置為True，這個非常有用，如下

with tf.variable_scope("foo"):
  v = tf.get_variable("v", [1])
  tf.get_variable_scope().reuse_variables()
  v1 = tf.get_variable("v", [1])
assert v1 is v

作用域中的resuse默認是False，調(diào)用函數(shù)reuse_variables()可設置為True，一旦設置為True，就不能返回到False，并且該作用域的子空間reuse都是True。如果不想重用變量，那么可以退回到上層作用域，相當于exit當前作用域，如

with tf.variable_scope("root"):
  # At start, the scope is not reusing.
  assert tf.get_variable_scope().reuse == False
  with tf.variable_scope("foo"):
    # Opened a sub-scope, still not reusing.
    assert tf.get_variable_scope().reuse == False
  with tf.variable_scope("foo", reuse=True):
    # Explicitly opened a reusing scope.
    assert tf.get_variable_scope().reuse == True
    with tf.variable_scope("bar"):
      # Now sub-scope inherits the reuse flag.
      assert tf.get_variable_scope().reuse == True
  # Exited the reusing scope, back to a non-reusing one.
  assert tf.get_variable_scope().reuse == False

一個作用域可以作為另一個新的作用域的參數(shù)，如：

with tf.variable_scope("foo") as foo_scope:
  v = tf.get_variable("v", [1])
with tf.variable_scope(foo_scope):
  w = tf.get_variable("w", [1])
with tf.variable_scope(foo_scope, reuse=True):
  v1 = tf.get_variable("v", [1])
  w1 = tf.get_variable("w", [1])
assert v1 is v
assert w1 is w

不管作用域如何嵌套，當使用with tf.variable_scope()打開一個已經(jīng)存在的作用域時，就會跳轉(zhuǎn)到這個作用域。

with tf.variable_scope("foo") as foo_scope:
  assert foo_scope.name == "foo"
with tf.variable_scope("bar"):
  with tf.variable_scope("baz") as other_scope:
    assert other_scope.name == "bar/baz"
    with tf.variable_scope(foo_scope) as foo_scope2:
      assert foo_scope2.name == "foo" # Not changed.

variable scope的Initializers可以創(chuàng)遞給子空間和tf.get_variable()函數(shù)，除非中間有函數(shù)改變，否則不變。

with tf.variable_scope("foo", initializer=tf.constant_initializer(0.4)):
  v = tf.get_variable("v", [1])
  assert v.eval() == 0.4 # Default initializer as set above.
  w = tf.get_variable("w", [1], initializer=tf.constant_initializer(0.3)):
  assert w.eval() == 0.3 # Specific initializer overrides the default.
  with tf.variable_scope("bar"):
    v = tf.get_variable("v", [1])
    assert v.eval() == 0.4 # Inherited default initializer.
  with tf.variable_scope("baz", initializer=tf.constant_initializer(0.2)):
    v = tf.get_variable("v", [1])
    assert v.eval() == 0.2 # Changed default initializer.

算子（ops）會受變量作用域（variable scope）影響，相當于隱式地打開了同名的名稱作用域（name scope)，如+這個算子的名稱為foo/add

with tf.variable_scope("foo"):
  x = 1.0 + tf.get_variable("v", [1])
assert x.op.name == "foo/add"

除了變量作用域（variable scope），還可以顯式打開名稱作用域（name scope)，名稱作用域僅僅影響算子的名稱，不影響變量的名稱。另外如果tf.variable_scope()傳入字符參數(shù)，創(chuàng)建變量作用域的同時會隱式創(chuàng)建同名的名稱作用域。如下面的例子，變量v的作用域是foo，而算子x的算子變?yōu)閒oo/bar，因為有隱式創(chuàng)建名稱作用域foo

with tf.variable_scope("foo"):
  with tf.name_scope("bar"):
    v = tf.get_variable("v", [1])
    x = 1.0 + v
assert v.name == "foo/v:0"
assert x.op.name == "foo/bar/add"

注意： 如果tf.variable_scope()傳入的不是字符串而是scope對象，則不會隱式創(chuàng)建同名的名稱作用域。

以上是“TENSORFLOW變量作用域的示例分析”這篇文章的所有內(nèi)容，感謝各位的閱讀！希望分享的內(nèi)容對大家有幫助，更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道！