内容简介:本文翻译自:TensorFlow中的变量和张量具有name属性,用于在符号图中标识它们。如果在创建变量或张量时未指定名称,TensorFlow会自动为您指定名称:您可以通过显式指定来覆盖默认名称:
本文翻译自: 《Scopes and when to use them》 , 如有侵权请联系删除,仅限于学术交流,请勿商用。如有谬误,请联系指出。
TensorFlow中的变量和张量具有name属性,用于在符号图中标识它们。如果在创建变量或张量时未指定名称,TensorFlow会自动为您指定名称:
a = tf.constant(1) print(a.name) # prints "Const:0" b = tf.Variable(1) print(b.name) # prints "Variable:0" 复制代码
您可以通过显式指定来覆盖默认名称:
a = tf.constant(1, name="a") print(a.name) # prints "a:0" b = tf.Variable(1, name="b") print(b.name) # prints "b:0" 复制代码
TensorFlow引入了两个不同的上下文管理器来改变张量和变量的名称。第一个是 tf.name_scope
:
with tf.name_scope("scope"): a = tf.constant(1, name="a") print(a.name) # prints "scope/a:0" b = tf.Variable(1, name="b") print(b.name) # prints "scope/b:0" c = tf.get_variable(name="c", shape=[]) print(c.name) # prints "c:0" 复制代码
请注意,有两种方法可以在TensorFlow中定义新变量,一是创建 tf.Variable
对象或是调用 tf.get_variable
方法。使用新名称调用 tf.get_variable
会导致创建新变量,但如果存在具有相同名称的变量,则会引发ValueError异常,告诉我们不允许重新声明变量。
tf.name_scope
影响使用 tf.Variable
创建的张量和变量的名称,但不影响使用 tf.get_variable
创建的变量。
与 tf.name_scope
不同, tf.variable_scope
也修改了使用 tf.get_variable
创建的变量的名称:
with tf.variable_scope("scope"): a = tf.constant(1, name="a") print(a.name) # prints "scope/a:0" b = tf.Variable(1, name="b") print(b.name) # prints "scope/b:0" c = tf.get_variable(name="c", shape=[]) print(c.name) # prints "scope/c:0" with tf.variable_scope("scope"): a1 = tf.get_variable(name="a", shape=[]) a2 = tf.get_variable(name="a", shape=[]) # Disallowed 复制代码
但是,如果我们真的想要复用先前声明的变量呢?变量范围还提供了执行此操作的功能:
with tf.variable_scope("scope"): a1 = tf.get_variable(name="a", shape=[]) with tf.variable_scope("scope", reuse=True): a2 = tf.get_variable(name="a", shape=[]) # OK 复制代码
这在使用内置神经网络层时变得很方便:
with tf.variable_scope('my_scope'): features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3) # Use the same convolution weights to process the second image: with tf.variable_scope('my_scope', reuse=True): features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3) 复制代码
或者,您可以将 reuse
属性设置为 tf.AUTO_REUSE
,这种操作告诉TensorFlow如果不存在具有相同名称的变量,就创建新变量,否则就复用:
with tf.variable_scope("scope", reuse=tf.AUTO_REUSE): features1 = tf.layers.conv2d(image1, filters=32, kernel_size=3) with tf.variable_scope("scope", reuse=tf.AUTO_REUSE): features2 = tf.layers.conv2d(image2, filters=32, kernel_size=3) 复制代码
如果你想共享很多变量,跟踪定义新变量以及复用这些变量的时候可能很麻烦且容易出错。 tf.AUTO_REUSE
则简化了此任务,但增加了共享不应共享的变量的风险。TensorFlow模板是解决这一问题的另一种方法,它没有这种风险:
conv3x32 = tf.make_template("conv3x32", lambda x: tf.layers.conv2d(x, 32, 3)) features1 = conv3x32(image1) features2 = conv3x32(image2) # Will reuse the convolution weights. 复制代码
您可以将任何功能转换为TensorFlow模板。在第一次调用模板时,在函数内部定义的变量会被声明,并且在连续调用中,它们将被自动复用。
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- ThinkPHP模板范围判断标签使用
- 使用golang写一个高性能端口扫描器,支持IP范围,端口号范围
- Java – 在Spring Bean中使用会话范围
- 如何在混合的Swift String / NSString环境中使用范围
- bootstrap-datetimepicker时间日期范围选取组件使用说明及简单教程
- angularjs – 使用ui-router时,控制器是否可以从父控制器继承范围
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Kotlin程序员面试算法宝典
孙伟、楚秦 / 机械工业出版社 / 2018-12 / 69
本书是一本讲解程序员面试笔试算法的书籍。在写法上,除了讲解如何解答算法问题以外,还引入了例子辅以说明,以便读者能够更加容易地理解。 本书将程序员面试笔试过程中的各类算法类真题一网打尽。在题目的广度上,通过各种渠道,搜集了近3年来几乎所有IT企业面试笔试算法高频题目,所选择题目均为企业招聘使用题目;在题目的深度上,本书由浅入深、庖丁解牛式地分析每一个题目,并提炼归纳,同时,引入例子与源代码、时......一起来看看 《Kotlin程序员面试算法宝典》 这本书的介绍吧!