AI测试深度学习基础 (十七)-- TensorFlow 中的变量

孙高飞 · 2018年04月01日 · 最后由孙高飞回复于 2018年04月03日 · 1756 次阅读

变量的使用场景

使用 tf 的时候我们需要初始化权重 (w) 和偏差 (b), 还记得我们 y=wx+b 这个公式么。在我们训练模型的时候，需要初始化这些变量，之后随着梯度下降算法每一轮迭代再不停地变幻 w 和 b 的值。下面看看一个变量的使用场景。假设我们要构建一个只有 2 个特征，一个隐藏层的二分类神经网络场景。那么我们如何初始化这些变量呢。

权重 (w) 的初始化

import tensorflow as tf

w1 = tf.Variable(tf.random_normal([2,3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=1, seed=1))

上面我们使用 tf.Variable 来声明一个变量，方式是 random_normal。意思是随机生成，里面有 3 个参数，第一个是 shape，也就是这个变量的维度，也叫形成。我们使用的是 2，3. 意思是一个 2 乘 3 的矩阵。 stddev=1，代表这些数的标准差为 1. seed 是随机种子。这些数字是满足正太随机分布的。我们一般使用这种方式初始化权重 (w)，如果我们的输入层有 2 个特征，而第一个隐藏层有 3 个节点的话。那么就要生成一个 2 乘 3 的矩阵的权重, 也就是 w11,w12,w13 以及 w21,w22,w23(w 后的第一个数代表当前神经网络的层数，第二个数代表当前层的第几个神经元，也就是说 w11 的意思是第一个隐藏层的第一个神经元)。如果用 x1 和 x2 来表示这两个特征的话，那么计算神经网络的前向传播算法的话。第一个节点：a11= x1*w11+x2*w21+b . 第二个节点：a12=x1*w12+x2*w22+b 第三个节点：a13=x1*w13+x2*w23+b. 如果下一层就是输出层的话，也就是说输出层只有一个神经元。那么要生成的权重矩阵就是 3*1 的。也就是 w21,w22,w23. 计算输出层的前向传播算法就是：y = a11*w21+a12*w22+a13*w23+b。所以大家现在知道上面的 demo 中为什么第一行是一个 2*3 的矩阵而第二个权重是一个 3*1 的矩阵了把。基本上可以理解为矩阵的竖排是上一层的节点数，横排是当前层的节点。对神经网络和前向传播算法还不熟悉的同学请自行温习之前的内容。之后在讲用 tf 实现神经网络的时候也需要用到的。

第一次接触的话一定会感觉很奇怪，为什么要用 tf.Variable 这样的形式来声明变量。我们上一节说过，tf 是时候用计算图来进行计算的。那么只有用 tf 提供的 Variable 方法或之后要介绍的 get_Variable 方法才会把变量加入到计算图中。那么除了 random_normal，我们还有其他几种方式。如下：

tf.truncated_normal: 正态分布，但如果随机出来的值偏离平均值超过 2 个标准差，那么这个数会重新生成
tf.random_uniform：均匀分布

偏差 (b) 的初始化

在 tf 的神经网络中，初始化偏差 (bias) 通常会使用常数来设置初始值。如下：

b1 = tf.Variable(tf.zeros([3]))
b2 = tf.Variable(tf.zeros([1]))
``
上面的例子分别用0初始化了隐藏层和输出层的偏差。同样也有其他几种方式来初始化偏差。 如下：

- tf.onses: 产生全1的数据
- tf.fill: 产生一个给定数子的数据
- tf.constant: 产生一个给定值的常量

可能有人会问为什么初始化w的时候要使用随机方式，而初始化b就用常数呢。 我们在早期的帖子中说到过如果w使用常数，会导致所有神经元节点的特征权重都是一样的，这样每个神经元计算的结果也是一样的。

# 变量的初始化
tf中变量需要显示的执行初始化工作。如下：

```python
with tf.Session() as session:
    init_op = tf.global_variables_initializer()
    session.run(init_op)

共享变量

tf 的变量管理中还有两个函数是 tf.get_variable 和 tf.variable_scope。 tf.variable_scope 顾名思义，它是声明一个作用于。声明在这个作用于内的变量只能在这个作用域下使用。而 tf.get_variable 与 tf.Variable 其实差不多，都是创建变量的函数。使用方式如下：

with tf.variable_scope("foo"):
    v = tf.get_variable("v",shape=[1],initializer=tf.constant_initializer(1.0))

既然 variable_scope，声明了一个作用域，那么在这个作用域下，变量是可以重用的，也是不可以重名的。如果我们在另一段代码中尝试下面这种写发，会报错。

with tf.variable_scope("foo"):
    v = tf.get_variable("v",shape=[1],initializer=tf.constant_initializer(1.0))

ValueError: Variable foo/v already exists, disallowed. Did you mean to set reuse=True or reuse=tf.AUTO_REUSE in VarScope? Originally defined at:

根据上面的提示， foo 作用域下的变量 v 已经存在了。为了能够重用 v 这个变量。我们可以加入 reuse=True。如下：

with tf.variable_scope("foo", reuse=True):
    v = tf.get_variable("v")

这样我们就可以在另外的代码片段里使用这个变量了。而 tf.Variable 相反，如果你声明了两个名字叫 add 的变量。那么实际上在计算图中是 add0 和 add1. 那为什么需要这两个函数来管理变量呢。一个是因为有些场景下我们需要共享变量，举个简单的例子，我们都是模块化代码，代码都是封装成一个函数一个函数的。而权重 W 和偏差 B 又是在整个神经网络中都要用到的变量，如果没有共享变量的话，可以使用 python 的全局变量，而这样做是破坏了代码的封装性的。又或者需要把 W 和 B 不停的当做参数传递到各种函数里。如果只有 W 和 B 还好。但是如果我们是一个比较复杂的模型比如卷积神经网络，那变量就更多了。这样的代码会很乱。所以使用共享变量是可以解决这个问题的。

placeholder(占位符)

我们在上一篇帖子初始化样本的时候是这样写的：

x = tf.constant([[0.7,0.9]])
y_ = tf.constant([[1.0]])

这是为了示例简单而这么写，但实际上我们的样本是非常大的，有时候几百万几千万行都有，全部加载进内存会很好资源会很慢。所以才有了我们早期帖子里说的 mini batch。每次读入少量的样本数据进行训练。假如 mini batch 的块大小为 128，那就每次读取 128 个样本进行初始化 x 和 y，但是如果我们只是单纯的像上面一样读取 128 个样本就执行上面的那段代码，那么在计算图出，会多出非常多的变量 (tensor)，这是不利于后期可视化和计算的。所以在 tf 里我们初始化 x 和 y 的时候，一般都是使用占位符来做的。如下：

x = tf.placeholder(dtype=tf.float32, name='x')
y_ = tf.placeholder(dtype=tf.float32, name='y')

占位符必须传入数据类型的参数，维度 (shape) 可以不用传，不过传了可以降低出错的概率。这样我们在运行训练的时候，可以动态的填入这些变量的值，如下：

x = tf.placeholder(tf.float32, shape=(128, 1024))  
y = tf.matmul(x, x)  

with tf.Session() as sess:  
  print(sess.run(y))  # ERROR: 此处x还没有赋值.  

  rand_array = np.random.rand(1024, 1024)  
  print(sess.run(y, feed_dict={x: rand_array}))  # Will succeed.