Tensorflow小技巧整理：tf.trainable_variables(), tf.all_variables(), tf.global_variables()的使用[通俗易懂]

tf.trainable_variables(), tf.all_variables(), tf.global_variables()查看变量

在使用tensorflow搭建模型时，需要定义许多变量，例如一个映射层就需要权重与偏置。当网络结果越来越复杂，变量越来越多的时候，就需要一个查看管理变量的函数，在tensorflow中，tf.trainable_variables(), tf.all_variables(),和tf.global_variables()可以来满足查看变量的要求，来简单说一下他们的不同。

tf.trainable_variables()

顾名思义，这个函数可以也仅可以查看可训练的变量，在我们生成变量时，无论是使用tf.Variable()还是tf.get_variable()生成变量，都会涉及一个参数trainable,其默认为True。以tf.Variable()为例：

__init__(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
   ...
)

对于一些我们不需要训练的变量，比较典型的例如学习率或者计步器这些变量，我们都需要将trainable设置为False，这时tf.trainable_variables() 就不会打印这些变量。举个简单的例子，在下图中共定义了4个变量，分别是一个权重矩阵，一个偏置向量，一个学习率和计步器，其中前两项是需要训练的而后两项则不需要。

这个时候tf.trainable_variables()效果如下：


另一个问题就是，如果变量定义在scope域中，是否会有不同。实际上，tf.trainable_variables()是可以通过参数选定域名的，如下图所示：


我们重新声明了两个新变量，其中w2是在‘var’中的，如果我们直接使用tf.trainable_variables()，结果如下：


但如果我们只希望查看‘var’域中的变量，我们可以通过加入scope参数的方式实现：


可以看到，只有w2被打印出来。

tf.global_variables()

回到第一个例子，如果我希望查看全部变量，包括我的学习率等信息，可以通过tf.global_variables()来实现。效果如下：

可以看到，这时候打印出来了4个变量，其中后两个即为trainable=False的学习率和计步器。与tf.trainable_variables()一样，tf.global_variables()也可以通过scope的参数来选定域中的变量。

tf.all_variables()

与tf.global_variables()作用拥有相似的功能，只是版本问题，可以看到：

运行时会有warning的提示。还有一点需要注意的是，tf.all_variables()似乎是没有scope输入参数的，这点作用性不如前两个那么强。

应用中

在实际代码中，我们可以在定义model的时候，定义一个内部函数用来查看模型中的变量，在训练过程中，可以在开始的时候调用一次，来看一下变量名称及其阶数，对模型控制性更强，了解更加明确。

今天的文章Tensorflow小技巧整理：tf.trainable_variables(), tf.all_variables(), tf.global_variables()的使用[通俗易懂]分享到此就结束了，感谢您的阅读，如果确实帮到您，您可以动动手指转发给其他人。