TensorFlow中的name 和python代码中的变量名

本文主要是介绍TensorFlow中的name 和python代码中的变量名，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在上篇文章（Tensorflow，CNN和MNIST数据识别手写的数字（入门，完整代码，问题解析））中，使用CNN训练MNIST数据出现了模型恢复问题，其根源在于TensorFlow的命名空间。今天特地在此屡屡。

在学TensorFlow时必须看懂的一句话：

“Python命名空间和TensorFlow命名空间好比为两个平行线。TensorFlow空间中的命名实际上是属于任何TensorFlow变量的“真实”属性，而Python空间中的命名只是在脚本运行期间指向TensorFlow变量的临时指针。这就是为什么在保存和恢复变量时，只使用TensorFlow名称的原因，因为脚本终止后Python命名空间不再存在，但Tensorflow命名空间仍然存在于保存的文件中。”

1.区分 TensorFlow空间中的命名和 Python空间中的命名

不管是tf.constant()还是tf.Variable()还是tf.get_variable里面都有一个name的参数：

import tensorflow as tf
tf.reset_default_graph()
#定义了一个常量和两个变量
a= tf.constant([10.0,1.0],name='a1')
b=tf.Variable(tf.ones([2]),name='b1')
c=tf.get_variable(name="c1",shape=[2],initializer=tf.random_normal_initializer(mean=0, stddev=1))
#相加
output = tf.add_n([a,b,c],name = "add")
#
with tf.Session() as sess:#变量定义完后，还必须显式的执行一下初始化操作sess.run(tf.global_variables_initializer())##生成一个写日志的writer，并将当前的tensorflow计算图写入日志，日志放在F盘1这个文件夹writer = tf.summary.FileWriter("F://1",sess.graph)print(sess.run(output))
writer.close()

我们现在定义了一个常量和两个变量，并将三者相加。运行这个代码可以得到相加的结果和用tensorboard打开的日志文件。

下面我们在tensorboard中查看日志文件。

在终端输入：

tensorboard --logdir=F://1

在浏览器中打开：

http://localhost:6006

即可看到三者的区别：

tf.get_variable()和tf.Variable()的效果是一样的，都是变量，需要初始化，而常量a1不需要。

我们可以简单对下面的图结构进行解读。图中的椭圆代表操作，阴影代表明明空间，小圆圈代表常量。虚线箭头代表依赖，实线箭头代表数据流。我们的程序想要完成一个加法操作，首先需要利用tf.get_variable()和tf.Variable()的指令生成一个2元的向量，输入到b1和c1变量节点中，然后b1和c1变量节点需要依赖init操作来完成变量初始化。b1和c1节点将结果输入到add操作节点中，同时常量节点a1也将数据输入到add中，最终add完成计算。上面的所有都是在TensorFlow graph空间的命名，而代码中的a,b,c是在python的代码空间的命名。脚本终止后Python空间的命名不再存在，但Tensorflow空间的命名仍然存在于保存的文件中。

2.进一步了解下TensorFlow的命名空间：

在复杂的程序中，为了使图结构更加简洁明了，更利于对计算图进行分析，可将计算图的细节部分隐藏，保留关键部分。命名空间给我们提供了这种机会。

上面的计算图中，核心部分是三个输入传递给加法操作完成计算，因此，我们可将其他部分隐藏，只保留核心部分。

import tensorflow as tf
tf.reset_default_graph()
with tf.variable_scope('input1'):a= tf.constant([10.0,1.0],name='a1')print(a.name)
with tf.variable_scope('input2'):b=tf.Variable(tf.ones([2]),name='b1')print(b.name)
#with tf.variable_scope('input3'):c=tf.get_variable(name="c1",shape=[2],initializer=tf.random_normal_initializer(mean=0, stddev=1))print(c.name)
output = tf.add_n([a,b,c],name = "add")
with tf.Session() as sess:sess.run(tf.global_variables_initializer())writer = tf.summary.FileWriter("F://1",sess.graph)print(sess.run(output))
writer.close()

运行结果

tensorboard：

input2空间中包含两个需要初始化的tensors输入到add操作中。

3.使用和恢复tensorflow中的变量：

① Tensorflow可以使用tensor的name索引tensor，用于sess.run

import tensorflow as tf
tf.reset_default_graph()
with tf.variable_scope('input1'):a= tf.constant([10.0,1.0],name='a1')print(a.name)
with tf.variable_scope('input2'):b=tf.Variable(tf.ones([2]),name='b1')print(b.name)
#with tf.variable_scope('input3'):c=tf.get_variable(name="c1",shape=[2],initializer=tf.random_normal_initializer(mean=0, stddev=1))print(c.name)
output = tf.add_n([a,b,c],name = "add")
print(output.name)
with tf.Session() as sess:sess.run(tf.global_variables_initializer())print(sess.run("add:0" ))

结果：

其中名字后面的’:’之后接数字为EndPoints索引值（An operation allocates memory for its outputs, which are available on endpoints :0, :1, etc, and you can think of each of these endpoints as a Tensor.），通常情况下为0，因为大部分operation都只有一个输出。

②当脚本终止运行的时候，也可以调用已经生成的图的name进行sess.run.

 with tf.Session() as sess:sess.run(tf.global_variables_initializer())#writer = tf.summary.FileWriter("F://1",sess.graph)#print(sess.run(output))print(sess.run("input1/a1:0" ))

[10. 1.]

4. 探索 name_scope 和 variable_scope() ，有点意思

tf.name_scope() 主要是用来管理命名空间的，这样子让我们的整个模型更加有条理。而 tf.variable_scope() 的作用是为了实现变量共享，它和 tf.get_variable() 来完成变量共享的功能。

1.第一组，用 tf.Variable() 的方式来定义。

import tensorflow as tftf.reset_default_graph()
sess = tf.Session()# 拿官方的例子改动一下
def my_image_filter():conv1_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]),name="conv1_weights")conv1_biases = tf.Variable(tf.zeros([32]), name="conv1_biases")conv2_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]),name="conv2_weights")conv2_biases = tf.Variable(tf.zeros([32]), name="conv2_biases")return None# First call creates one set of 4 variables.
result1 = my_image_filter()
# Another set of 4 variables is created in the second call.
result2 = my_image_filter()
# 获取所有的可训练变量
vs = tf.trainable_variables()
print ('There are %d train_able_variables in the Graph: ' % len(vs))
for v1 in vs:print (v1)

2.第二种方式，用 tf.get_variable() 的方式

import tensorflow as tftf.reset_default_graph()
sess = tf.Session()
# 下面是定义一个卷积层的通用方式
def conv_relu(kernel_shape, bias_shape):# Create variable named "weights".weights = tf.get_variable("weights", kernel_shape, initializer=tf.random_normal_initializer())# Create variable named "biases".biases = tf.get_variable("biases", bias_shape, initializer=tf.constant_initializer(0.0))return Nonedef my_image_filter():# 按照下面的方式定义卷积层，非常直观，而且富有层次感with tf.variable_scope("conv1"):# Variables created here will be named "conv1/weights", "conv1/biases".relu1 = conv_relu([5, 5, 32, 32], [32])with tf.variable_scope("conv2"):# Variables created here will be named "conv2/weights", "conv2/biases".return conv_relu( [5, 5, 32, 32], [32])with tf.variable_scope("image_filters") as scope:# 下面我们两次调用 my_image_filter 函数，但是由于引入了 变量共享机制# 可以看到我们只是创建了一遍网络结构。result1 = my_image_filter()scope.reuse_variables()result2 = my_image_filter()# 看看下面，完美地实现了变量共享！！！
vs = tf.trainable_variables()
print ('There are %d train_able_variables in the Graph: ' % len(vs))
for v in vs:print (v)