使用tf.Variable（）和tf.get_variable（）时的不同结果

Question

我试图通过使用线性回归（LR）来熟悉来自this site的TensorFlow框架。可以找到LR的源代码here，名称为03_linear_regression_sol.py。

通常，LR的已定义模型为Y_predicted = X * w + b，其中

• w和b是参数（tf.Variable）
• Y_predicted和X是培训数据（placeholder）

对于w和b，在示例代码中，它们定义如下

w = tf.Variable(0.0, name='weights')
b = tf.Variable(0.0, name='bias')

我改变了这两行代码，如下所示

w = tf.get_variable('weights', [], dtype=tf.float32)
b = tf.get_variable('bias', [], dtype=tf.float32)

对于这个实验，我为这两个版本提供了两个不同的total_loss/n_samples。更具体地说，在原始版本中，我随时获得了确定性结果1539.0050282141283。但是，在修改后的版本中，我在不同的运行时间得到了不确定的结果，例如，total_loss/n_samples可能是1531.3039793868859，1526.3752814714044，等等。

tf.Variable()和tf.get_variable()之间的区别是什么？

Answer 1

tf.Variable在创建时接受初始值（常量），这解释了使用它时的确定性结果。

tf.get_variable略有不同：它有一个initializer参数，默认为None，其解释如下：

  

如果initializer是None（默认值），将使用在变量范围内传递的默认初始值设定项。如果那个也是None，则会使用glorot_uniform_initializer。

由于您未传递初始值设定项，因此该变量具有统一的随机初始值。