一、什么是变量

1、TensorFlow变量是表示程序处理的共享持久状态的最佳方法。变量通过tf.Variable OP类进行操作
这里的变量和传统认知里存储值或者返回值不一样，他是TensorFlow里的一个组件

2、变量的特点
（1）存储持久化
把程序中定义的数据以变量的形式保存下来
（2）可修改值
有时候存储一些数据，希望它能够被迭代更新
（3）可指定被训练
可以不断的迭代更新

3、变量很适合保存模型参数
深度学习目的：训练很好的模型解决问题

二、创建变量

1、tf.Variable(initial_value=None, trainable=True, collections=None, name=None)
说明：
（1）initial_value：初始化的值
（2）trainable：是否可以被训练
（3）collections：新变量将添加到列出的图的集合中collections
    默认为[GraphKeys.GLOBAL_VARIABLES]，如果trainable是True，变量也被添加到图形集合[GraphKeys.TRAINABLE_VARIABLES]

2、变量需要显示初始化，才能运行值（TensorFlow2.0版本不需要）
tf.global_variables_initializer()

3、例子

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tfdef tensorflow_demo():"""TensorFlow的基本结构"""# TensorFlow实现加减法运算a_t = tf.constant(2)b_t = tf.constant(3)c_t = a_t + b_tprint("TensorFlow加法运算结果：\n", c_t)print(c_t.numpy())# 2.0版本不需要开启会话，已经没有会话模块了return Nonedef graph_demo():"""图的演示"""# TensorFlow实现加减法运算a_t = tf.constant(2)b_t = tf.constant(3)c_t = a_t + b_tprint("TensorFlow加法运算结果：\n", c_t)print(c_t.numpy())# 查看默认图# 方法1：调用方法default_g = tf.compat.v1.get_default_graph()print("default_g：\n", default_g)# 方法2：查看属性# print("a_t的图属性：\n", a_t.graph)# print("c_t的图属性：\n", c_t.graph)# 自定义图new_g = tf.Graph()# 在自己的图中定义数据和操作with new_g.as_default():a_new = tf.constant(20)b_new = tf.constant(30)c_new = a_new + b_newprint("c_new：\n", c_new)print("a_new的图属性：\n", a_new.graph)print("b_new的图属性：\n", b_new.graph)# 开启new_g的会话with tf.compat.v1.Session(graph=new_g) as sess:c_new_value = sess.run(c_new)print("c_new_value：\n", c_new_value)print("我们自己创建的图为：\n", sess.graph)# 可视化自定义图# 1）创建一个writerwriter = tf.summary.create_file_writer("./tmp/summary")# 2）将图写入with writer.as_default():tf.summary.graph(new_g)return Nonedef session_run_demo():"""feed操作"""tf.compat.v1.disable_eager_execution()# 定义占位符a = tf.compat.v1.placeholder(tf.float32)b = tf.compat.v1.placeholder(tf.float32)sum_ab = tf.add(a, b)print("a：\n", a)print("b：\n", b)print("sum_ab：\n", sum_ab)# 开启会话with tf.compat.v1.Session() as sess:print("占位符的结果：\n", sess.run(sum_ab, feed_dict={a: 1.1, b: 2.2}))return Nonedef tensor_demo():"""张量的演示"""tensor1 = tf.constant(4.0)tensor2 = tf.constant([1, 2, 3, 4])linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)print("tensor1：\n", tensor1)print("tensor2：\n", tensor2)print("linear_squares：\n", linear_squares)# 张量类型的修改l_cast = tf.cast(linear_squares, dtype=tf.float32)print("before：\n", linear_squares)print("l_cast：\n", l_cast)return Nonedef variable_demo():"""变量的演示"""a = tf.Variable(initial_value=50)b = tf.Variable(initial_value=40)c = tf.add(a, b)print("a：\n", a)print("b：\n", b)print("c：\n", c)return Noneif __name__ == "__main__":# 代码1：TensorFlow的基本结构# tensorflow_demo()# 代码2：图的演示#graph_demo()# feed操作#session_run_demo()# 代码4：张量的演示#tensor_demo()# 代码5：变量的演示variable_demo()

运行结果：

a：<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=50>
b：<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=40>
c：tf.Tensor(90, shape=(), dtype=int32)

a和b是tf.Variable
c是Tensor对象

三、修改变量的命名空间

1、使用tf.variable_scope()修改变量的命名空间
会在OP的名字前面增加命名空间的指定名字
TensorFlow 2.0版本用，tf.compat.v1.variable_scope()

2、例子

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tfdef tensorflow_demo():"""TensorFlow的基本结构"""# TensorFlow实现加减法运算a_t = tf.constant(2)b_t = tf.constant(3)c_t = a_t + b_tprint("TensorFlow加法运算结果：\n", c_t)print(c_t.numpy())# 2.0版本不需要开启会话，已经没有会话模块了return Nonedef graph_demo():"""图的演示"""# TensorFlow实现加减法运算a_t = tf.constant(2)b_t = tf.constant(3)c_t = a_t + b_tprint("TensorFlow加法运算结果：\n", c_t)print(c_t.numpy())# 查看默认图# 方法1：调用方法default_g = tf.compat.v1.get_default_graph()print("default_g：\n", default_g)# 方法2：查看属性# print("a_t的图属性：\n", a_t.graph)# print("c_t的图属性：\n", c_t.graph)# 自定义图new_g = tf.Graph()# 在自己的图中定义数据和操作with new_g.as_default():a_new = tf.constant(20)b_new = tf.constant(30)c_new = a_new + b_newprint("c_new：\n", c_new)print("a_new的图属性：\n", a_new.graph)print("b_new的图属性：\n", b_new.graph)# 开启new_g的会话with tf.compat.v1.Session(graph=new_g) as sess:c_new_value = sess.run(c_new)print("c_new_value：\n", c_new_value)print("我们自己创建的图为：\n", sess.graph)# 可视化自定义图# 1）创建一个writerwriter = tf.summary.create_file_writer("./tmp/summary")# 2）将图写入with writer.as_default():tf.summary.graph(new_g)return Nonedef session_run_demo():"""feed操作"""tf.compat.v1.disable_eager_execution()# 定义占位符a = tf.compat.v1.placeholder(tf.float32)b = tf.compat.v1.placeholder(tf.float32)sum_ab = tf.add(a, b)print("a：\n", a)print("b：\n", b)print("sum_ab：\n", sum_ab)# 开启会话with tf.compat.v1.Session() as sess:print("占位符的结果：\n", sess.run(sum_ab, feed_dict={a: 1.1, b: 2.2}))return Nonedef tensor_demo():"""张量的演示"""tensor1 = tf.constant(4.0)tensor2 = tf.constant([1, 2, 3, 4])linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)print("tensor1：\n", tensor1)print("tensor2：\n", tensor2)print("linear_squares：\n", linear_squares)# 张量类型的修改l_cast = tf.cast(linear_squares, dtype=tf.float32)print("before：\n", linear_squares)print("l_cast：\n", l_cast)return Nonedef variable_demo():"""变量的演示"""a = tf.Variable(initial_value=50)b = tf.Variable(initial_value=40)c = tf.add(a, b)print("a：\n", a)print("b：\n", b)print("c：\n", c)with tf.compat.v1.variable_scope("my_scope"):d = tf.Variable(initial_value=30)e = tf.Variable(initial_value=20)f = tf.add(d, e)print("d：\n", d)print("e：\n", e)print("f：\n", f)return Noneif __name__ == "__main__":# 代码1：TensorFlow的基本结构# tensorflow_demo()# 代码2：图的演示#graph_demo()# feed操作#session_run_demo()# 代码4：张量的演示#tensor_demo()# 代码5：变量的演示variable_demo()

运行结果：

a：<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=50>
b：<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=40>
c：tf.Tensor(90, shape=(), dtype=int32)
d：<tf.Variable 'my_scope/Variable:0' shape=() dtype=int32, numpy=30>
e：<tf.Variable 'my_scope/Variable:0' shape=() dtype=int32, numpy=20>
f：tf.Tensor(50, shape=(), dtype=int32)

2、命名空间好处，使得结构更加清晰