tensorflow如何獲取變量&打印權(quán)值

這篇文章將為大家詳細(xì)講解有關(guān)tensorflow如何獲取變量&打印權(quán)值，小編覺(jué)得挺實(shí)用的，因此分享給大家做個(gè)參考，希望大家閱讀完這篇文章后可以有所收獲。

在使用tensorflow中，我們常常需要獲取某個(gè)變量的值，比如：打印某一層的權(quán)重，通常我們可以直接利用變量的name屬性來(lái)獲取，但是當(dāng)我們利用一些第三方的庫(kù)來(lái)構(gòu)造神經(jīng)網(wǎng)絡(luò)的layer時(shí)，存在一種情況：就是我們自己無(wú)法定義該層的變量，因?yàn)槭亲詣?dòng)進(jìn)行定義的。

比如用tensorflow的slim庫(kù)時(shí)：

<span >def resnet_stack(images, output_shape, hparams, scope=None):</span>
<span > """Create a resnet style transfer block.</span>
<span ></span>
<span > Args:</span>
<span > images: [batch-size, height, width, channels] image tensor to feed as input</span>
<span > output_shape: output image shape in form [height, width, channels]</span>
<span > hparams: hparams objects</span>
<span > scope: Variable scope</span>
<span ></span>
<span > Returns:</span>
<span > Images after processing with resnet blocks.</span>
<span > """</span>
<span > end_points = {}</span>
<span > if hparams.noise_channel:</span>
<span > # separate the noise for visualization</span>
<span > end_points['noise'] = images[:, :, :, -1]</span>
<span > assert images.shape.as_list()[1:3] == output_shape[0:2]</span>
<span ></span>
<span > with tf.variable_scope(scope, 'resnet_style_transfer', [images]):</span>
<span > with slim.arg_scope(</span>
<span >  [slim.conv2d],</span>
<span >  normalizer_fn=slim.batch_norm,</span>
<span >  kernel_size=[hparams.generator_kernel_size] * 2,</span>
<span >  stride=1):</span>
<span >  net = slim.conv2d(</span>
<span >   images,</span>
<span >   hparams.resnet_filters,</span>
<span >   normalizer_fn=None,</span>
<span >   activation_fn=tf.nn.relu)</span>
<span >  for block in range(hparams.resnet_blocks):</span>
<span >  net = resnet_block(net, hparams)</span>
<span >  end_points['resnet_block_{}'.format(block)] = net</span>
<span ></span>
<span >  net = slim.conv2d(</span>
<span >   net,</span>
<span >   output_shape[-1],</span>
<span >   kernel_size=[1, 1],</span>
<span >   normalizer_fn=None,</span>
<span >   activation_fn=tf.nn.tanh,</span>
<span >   scope='conv_out')</span>
<span >  end_points['transferred_images'] = net</span>
<span > return net, end_points</span>

我們希望獲取第一個(gè)卷積層的權(quán)重weight，該怎么辦呢？？

在訓(xùn)練時(shí)，這些可訓(xùn)練的變量會(huì)被tensorflow保存在 tf.trainable_variables() 中，于是我們就可以通過(guò)打印 tf.trainable_variables() 來(lái)獲取該卷積層的名稱(chēng)（或者你也可以自己根據(jù)scope來(lái)看出來(lái)該變量的name ），然后利用tf.get_default_grap().get_tensor_by_name 來(lái)獲取該變量。

舉個(gè)簡(jiǎn)單的例子：

<span >import tensorflow as tf</span>
<span >with tf.variable_scope("generate"):</span>
<span > with tf.variable_scope("resnet_stack"):</span>
<span >  #簡(jiǎn)單起見(jiàn)，這里沒(méi)有用第三方庫(kù)來(lái)說(shuō)明，</span>
<span >  bias = tf.Variable(0.0,name="bias")</span>
<span >  weight = tf.Variable(0.0,name="weight")</span>
<span ></span>
<span >for tv in tf.trainable_variables():</span>
<span > print (tv.name)</span>
<span ></span>
<span >b = tf.get_default_graph().get_tensor_by_name("generate/resnet_stack/bias:0")</span>
<span >w = tf.get_default_graph().get_tensor_by_name("generate/resnet_stack/weight:0")</span>
<span ></span>
<span >with tf.Session() as sess:</span>
<span > tf.global_variables_initializer().run()</span>
<span > print(sess.run(b))</span>
<span > print(sess.run(w))
</span>

結(jié)果如下：

關(guān)于“tensorflow如何獲取變量&打印權(quán)值”這篇文章就分享到這里了，希望以上內(nèi)容可以對(duì)大家有一定的幫助，使各位可以學(xué)到更多知識(shí)，如果覺(jué)得文章不錯(cuò)，請(qǐng)把它分享出去讓更多的人看到。