Python 重用Tensorflow变量_Python_Tensorflow

Python 重用Tensorflow变量

python tensorflow

Python 重用Tensorflow变量,python,tensorflow,Python,Tensorflow,我想根据我是在训练我的网络还是实际运行它，基本上有两个不同的图表。基本上，一个工件使用一些无监督的技术来学习给定矩阵的值，然后我想在不同的图中使用完全相同的矩阵我知道如何使用matrix\u value=sess.run（my\u matrix，{input=input\u data}）获取矩阵的值，但是有没有办法用设定值初始化tf.Variable import numpy as np import tensorflow as tf value = [0, 1, 2, 3, 4, 5, 6

我想根据我是在训练我的网络还是实际运行它，基本上有两个不同的图表。基本上，一个工件使用一些无监督的技术来学习给定矩阵的值，然后我想在不同的图中使用完全相同的矩阵

我知道如何使用

matrix\u value=sess.run（my\u matrix，{input=input\u data}）获取矩阵的值

，但是有没有办法用设定值初始化

tf.Variable

import numpy as np
import tensorflow as tf

value = [0, 1, 2, 3, 4, 5, 6, 7]
init = tf.constant_initializer(value)

with tf.Session():
    x = tf.get_variable('x', shape=[2, 4], initializer=init)
    x.initializer.run()
    print(x.eval())

我希望这有帮助

您可以尝试以下方法：

import numpy as np
import tensorflow as tf

value = [0, 1, 2, 3, 4, 5, 6, 7]
init = tf.constant_initializer(value)

with tf.Session():
    x = tf.get_variable('x', shape=[2, 4], initializer=init)
    x.initializer.run()
    print(x.eval())

我希望这有帮助

您不必创建两个相同的图，您可以使用相同的节点，但运行不同的节点

让我解释一下我的意思。让我们看看这个例子：

W = tf.Variable(tf.truncated_normal([1, 1], stddev=0.1))
# Declare bias variable initialized to a constant 0.1
b = tf.Variable(tf.constant(0.1, shape=[1]))

y_pred = x_ph * W + b

# loss function
loss = tf.mul(tf.reduce_mean(tf.square(tf.sub(y_pred, y_ph))), 1. / 2)

第一部分调用

列操作

train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

此op将基于

损失运行梯度下降步骤

op，这将导致变量

和

的更新

with tf.Session() as sess:
    # initialize all the variables by running the initializer operator
    sess.run(init)
    for epoch in xrange(num_epoch):
        # Run sequentially the train_op and loss operators with
        # x_ph and y_ph placeholders fed by variables x and y
        _, loss_val = sess.run([train_op, loss], feed_dict={x_ph: x, y_ph: y})
        print('epoch %d: loss is %.4f' % (epoch, loss_val))

但是现在，如果您只想运行它，您可以运行

y\u pred

op。它将拾取

和

的当前值，并且它们不会被修改，因为您没有调用

train\u op

with tf.Session() as sess:
    # see what model do in the test set
    # by evaluating the y_pred operator using the x_test data
    test_val = sess.run(y_pred, feed_dict={x_ph: x_test})

当您要求TensorFlow运行op

y\u pred

时，将新数据

x\u test

输入

x\u ph

，它将只计算

y\u pred=x\u ph*W+b

（将

和

作为常量），而不修改任何其他内容

此外，值得一提的是，当您完成培训时，您有能力覆盖某些变量值（例如，在变量值非常接近1的情况下，您可以直接根据设置将其设置为1）

我们可以通过将W和b的值重新指定为-1和1的完美值来手动改进这一点。变量初始化为提供给tf.variable的值，但可以使用tf.assign之类的操作进行更改。例如，W=-1和b=1是我们模型的最佳参数。我们可以相应地更改W和b：