Question

似乎tf.get_variable()或tf.Variable()所产生的张量流变量是全局变量。发生在我身上的情况如下：假设我制作了以下两个文件：

main.py

from prac_var import defineVar
for i in range(1000):
    defineVar()

prac_var.py

import tensorflow as tf
def defineVar():
    with tf.variable_scope('weight'):    
        W = tf.Variable(tf.zeros([1,1]),name='W')
        print('\n',tf.trainable_variables())

现在，如果我运行main.py，它会生成

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>, <tf.Variable 'weight_1/W:0' shape=(1, 1) dtype=float32_ref>]

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>, <tf.Variable 'weight_1/W:0' shape=(1, 1) dtype=float32_ref>, <tf.Variable 'weight_2/W:0' shape=(1, 1) dtype=float32_ref>]
...

而我真正想要的是

[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]
[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]
[<tf.Variable 'weight/W:0' shape=(1, 1) dtype=float32_ref>]
...

我怎样才能以一种非常重要的方式解决这个问题？

Answer 1

首先，我想知道你是否理解Tensorflow首先构造一个计算图，然后用你定义的图进行所有计算。如果您知道变量的名称，则可以使用tf.get_variable()从任何地方到达所有变量...

如果你在两个不同的地方获得权重，两次都试图获得变量W你重复使用＆＃34;这些重量。这就是为什么引入可变范围的原因： https://www.tensorflow.org/programmers_guide/variable_scope#variable_scope_example

如果你想要两个不同的权重，你可以说：

with tf.variable_scope('mnistweights'):
  Wmnist = tf.get_variable('W',...)
with tf.variable_scope('exampleweights'):
  Wtest = tf.get_variable('W',...)

现在您拥有名称为mnistweights / W和exampleweights / W的变量。

希望你能更好地理解它！

Answer 2

我意外地找到了解决问题的方法。只需添加一行tf.reset_default_graph()。

main.py

from prac_var import defineVar
for i in range(1000):
    defineVar()

prac_var.py

import tensorflow as tf
def defineVar():
    tf.reset_default_graph()
    with tf.variable_scope('weight'):    
        W = tf.Variable(tf.zeros([1,1]),name='W')
        print('\n',tf.trainable_variables())

如何使tensorflow变量“本地”？

2 个答案: