tensorflow 基础学习六：变量管理
Tensorflow中提供了通过变量名称来创建和获取一个变量的机制。通过这个机制，在不同的函数中可以直接通过变量的名字来使用变量，而不需要将变量通过参数的形式到处传递。该机制主要是通过tf.get_variable和tf.variable_scope函数来实现的。下面将分别介绍两个函数的使用。
如果需要通过tf.get_variable获取一个已经创建的变量，需要通过tf.variable_scope函数来生成一个上下文管理器，并明确指定在这个上下文管理器中，tf.get_variable将直接获取已经生成的变量。代码实例如下：
# 在名字为foo的命名空间内创建名字为v的变量
with tf.variable_scope("foo"):
v=tf.get_variable('v',[1],initializer=tf.constant_initializer(1.0))
# 因为在命名空间foo中已经存在名字为v的变量，所有下面的代码将会报错：
with tf.variable_scope('foo'):
v=tf.get_variable('v',[1])
# 在生成上下文管理器时，将参数reuse设置为True。这样tf.get_variable函数将直接获取
# 已经声明的变量
with tf.variable_scope('foo',reuse=True):
v1=tf.get_variable('v',[1])
print(v==v1)
# 将参数reuse设置为True时，tf.variable_scope将只能获取已经创建过的变量。因为在命名
# 空间bar中还没有创建变量v，所以下面的代码将会报错：
with tf.variable_scope('bar',reuse=True):
v=tf.get_variable('v',[1])总结：当tf.variable_scope函数设置参数reuse=True时，这个上下文管理器内所有的tf.get_variable函数会直接获取已经创建的变量。如果变量不存在，tf.get_variable将会报错；相反，如果tf.variable_scope函数使用参数reuse=None或reuse=False创建上下文管理器，tf.get_variable将创建新的变量。如果同名的变量已经存在，则tf.get_variable报错。
tensorflow中tf.variable_scope函数是可以嵌套的。下面将说明当tf.variable_scope函数嵌套时，reuse参数的取值将如何确定。
with tf.variable_scope('root'):
# 通过如下方法获取当前上下文管理器中reuse参数的取值
print(tf.get_variable_scope().reuse) # 输出False
with tf.variable_scope('foo',reuse=True):
print(tf.get_variable_scope().reuse) # 输出True
with tf.variable_scope('bar'): # 不指定reuse时，reuse取值和上层保持一致
print(tf.get_variable_scope().reuse) # 输出True
print(tf.get_variable_scope().reuse) # 输出Falsetf.variable_scope函数生成的上下文管理器会创建一个tensorflow中 的命名空间，在命名空间内创建的变量名称都会带上这个命名空间名作为前缀。所以，tf.variable_scope函数除了可以控制tf.get_variable执行的功能之外，这个函数也提供了一个管理变量命名空间的方式。代码如下：
import tensorflow as tf
v1=tf.get_variable('v',[1])
print(v1.name) # 输出v:0。'v'为变量的名称，':0'表示这个变量是生成变量这个运算的
# 第一个结果
with tf.variable_scope('foo'):
v2=tf.get_variable('v',[1])
print(v2.name) # 输出foo/v:0。在tf.variable_scope中创建变量，变量名称前面会加入
# 命名空间的名称，并通过/来分割命名空间的名称和变量的名称
with tf.variable_scope('foo'):
with tf.variable_scope('bar'):
v3=tf.get_variable('v',[1])
print(v3.name) # 输出foo/bar/v:0。命名空间可以嵌套
v4=tf.get_variable('v1',[1])
print(v4.name) # 输出foo/v1:0
# 创建一个名称为空的命令空间，并设置reuse=True
with tf.variable_scope('',reuse=True):
v5=tf.get_variable('foo/var/v',[1])
print(v5==v3) # 输出True
v6=tf.get_variable('foo/v1',[1])
print(v6==v4) # 输出True通过tf.variable_scope和tf.get_variable函数，对tensorflow 基础学习五中的前向传播函数进行改进:
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# MNIST数据集相关的常用
INPUT_NODE=784
OUTPUT_NODE=10
# 配置神经网络的参数
LAYER1_NODE=500 # 隐藏层节点个数
BATCH_SIZE=100 # 一个训练batch中的数据个数。
LEARNING_RATE_BASE=0.8 # 基础的学习率
LEARNING_RATE_DECAY=0.99 # 学习率的衰减率
REGULARIZATION_RATE=0.0001 # 描述模型复杂度的正则化项在损失函数中的系统
TRAINING_STEPS=30000 # 训练轮数
MOVING_AVERAGE_DECAY=0.99 # 滑动平均衰减率
def get_weight_variable(shape, regularizer):
weights = tf.get_variable("weights", shape, initializer=tf.truncated_normal_initializer(stddev=0.1))
if regularizer != None: tf.add_to_collection('losses', regularizer(weights))
return weights
# 定义一个三层神经网络。
def inference(input_tensor,avg_class,regularizer):
# 当没有提供滑动平均类时，直接使用参数当前的取值。
if avg_class==None:
with tf.variable_scope('layer1'):
weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)
biases = tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0))
layer1 = tf.nn.relu(tf.matmul(input_tensor, weights) + biases)
with tf.variable_scope('layer2'):
weights = get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer)
biases = tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
layer2 = tf.matmul(layer1, weights) + biases
return layer2
else:
# 首先使用avg_class.average函数来计算出变量的滑动平均值，
# 然后再计算相应的神经网络前向传播结果
with tf.variable_scope('layer1',reuse=True):
weights = get_weight_variable([INPUT_NODE, LAYER1_NODE], regularizer)
biases = tf.get_variable("biases", [LAYER1_NODE], initializer=tf.constant_initializer(0.0))
layer1 = tf.nn.relu(tf.matmul(input_tensor,avg_class.average(weights))+avg_class.average(biases))
with tf.variable_scope('layer2',reuse=True):
weights = get_weight_variable([LAYER1_NODE, OUTPUT_NODE], regularizer)
biases = tf.get_variable("biases", [OUTPUT_NODE], initializer=tf.constant_initializer(0.0))
layer2 = tf.matmul(layer1,avg_class.average(weights))+avg_class.average(biases)
return layer2
# 训练模型的过程
def train(mnist):
x=tf.placeholder(tf.float32,shape=[None,INPUT_NODE],name='x-input')
y_=tf.placeholder(tf.float32,shape=[None,OUTPUT_NODE],name='y-input')
# 计算L2正则化损失函数
regularizer=tf.contrib.layers.l2_regularizer(REGULARIZATION_RATE)
y=inference(x,None,regularizer)
# 定义存储训练轮数的变量。该变量为不可训练变量(trainable=False)
global_step=tf.Variable(0,trainable=False)
# 给定滑动平均衰减率和训练轮数的变量，初始化滑动平均类。给定训练轮数的变量
# 可以加快训练早期变量的更新速度。
variable_averages=tf.train.ExponentialMovingAverage(MOVING_AVERAGE_DECAY,global_step)
# 在所有代表神经网络参数的变量上使用滑动平均。tf.trainable_variables返回的就是图上集合
# GraphKeys.TRAINABLE_VARIABLES中的元素。这个集合的元素就是所有没有指定
# trainable=False的参数。
variables_averages_op=variable_averages.apply(tf.trainable_variables())
# 计算使用了滑动平均之后的前向传播结果。滑动平均不会改变变量本身的值，而是维护一个影子
# 变量来记录其滑动平均值。所以当需要使用这个滑动平均值时，需要明确调用average函数
average_y=inference(x,variable_averages,None)
# 使用交叉熵作为损失函数。这里使用
# sparse_softmax_cross_entropy_with_logits函数来计算交叉熵。因为标准答案是一个长度为
# 10的一维数组，而该函数需要提供的是一个正确答案的数字，所以需要使用tf.argmax函数来
# 得到正确答案对应的类别编号
cross_entropy=tf.nn.sparse_softmax_cross_entropy_with_logits(logits=y,labels=tf.argmax(y_,1))
# 计算在当前batch中所有样例的交叉熵平均值
cross_entropy_mean=tf.reduce_mean(cross_entropy)
# 总损失等于交叉熵损失和正则化损失的和
loss=cross_entropy_mean+tf.add_n(tf.get_collection('losses'))
# 设置指数衰减的学习率。
learning_rate=tf.train.exponential_decay(
LEARNING_RATE_BASE, # 基础的学习率，随着迭代的进行，更新变量时使用的学习率
# 在这个基础上递减
global_step, # 当前迭代的轮数
mnist.train.num_examples/BATCH_SIZE, # 过完所有的训练数据需要的迭代次数
LEARNING_RATE_DECAY # 学习率衰减速度
)
# 使用tf.train.GradientDescentOptimizer优化算法来优化损失函数。这里的损失函数
# 包含了交叉熵损失和L2正则化损失。
train_step=tf.train.GradientDescentOptimizer(learning_rate)\
.minimize(loss,global_step=global_step)
# 在训练神经网络模型时，每过一遍数据既需要通过反向传播来更新网络中的参数，
# 又要更新每一个参数的滑动平均值。为了一次完成多个操作，tensorflow提供了
# tf.control_dependencies和tf.group两种机制。下面两行程序和
# train_op=tf.group(train_step,variables_averages_op)是等价的。
with tf.control_dependencies([train_step,variables_averages_op]):
train_op=tf.no_op(name='train')
# 检验使用了滑动平均模型的神经网络前向传播结果是否正确。tf.argmax(average_y,1)
# 计算每一个样例的预测答案。其中average_y是一个batch_size*10的二维数组，每一行
# 表示一个样例的前向传播结果。tf.argmax的第二个参数‘1’表示选取最大值的操作仅在
# 第一个维度中进行，也就是说，只在每一行选取最大值对应的下标。于是得到的结果是
# 一个长度为batch的以为数组，这个一维数组中的值就表示了每一个样例对应的数字识别结果。
# tf.equal判断两个张量的每一维是否相等。
correct_prediction=tf.equal(tf.argmax(average_y,1),tf.argmax(y_,1))
accuracy=tf.reduce_mean(tf.cast(correct_prediction,tf.float32))
# 初始化会话并开始训练过程。
with tf.Session() as sess:
init_op=tf.global_variables_initializer()
sess.run(init_op)
# 准备验证数据。一般在神经网络的训练过程中会通过验证数据来大致判断停止的
# 条件和评判训练的效果。
validate_feed={x:mnist.validation.images,y_:mnist.validation.labels}
# 准备测试数据
test_feed={x:mnist.test.images,y_:mnist.test.labels}
# 迭代的训练神经网络
for i in range(TRAINING_STEPS):
# 每1000轮输出一次在验证数据集上的测试结果
if i%1000==0:
validate_acc=sess.run(accuracy,feed_dict=validate_feed)
print('After {} training step(s),validation accuracy'
'using average model is {}'.format(i,validate_acc))
# 产生这一轮使用的一个batch的训练数据，并运行训练过程。
xs,ys=mnist.train.next_batch(BATCH_SIZE)
sess.run(train_op,feed_dict={x:xs,y_:ys})
# 在训练结束后，在测试数据上检测神经网络模型的最终正确率
test_acc=sess.run(accuracy,feed_dict=test_feed)
print('After {} training step(s), test accuracy using average '
'model is {}'.format(TRAINING_STEPS,test_acc))
def main(argv=None):
# 声明处理MNIST数据集的类，这个类在初始化时会自动下载数据
mnist=input_data.read_data_sets('.',one_hot=True)
train(mnist)
# tensorflow 提供的一个主程序入口，tf.app.run会调用上面定义的main函数
if __name__=='__main__':
tf.app.run()
- 上一篇 »写得蛮好的linux学习笔记六-帐号管理，收藏
- 下一篇 »JavaScript基础学习