tensorflow 获取变量&打印权值的实例讲解

以下是详细讲解“tensorflow获取变量&打印权值的实例讲解”的完整攻略，包含两条示例说明。

示例1：获取变量

在 TensorFlow 中，可以使用 tf.get_variable(name, shape, dtype) 函数获取一个变量。其中，name 表示变量名，shape 表示变量形状（可以是一个整数，一个长度为 n 的 list，或者一个 Tensor 对象），dtype 表示变量的类型。以下是示例代码：

import tensorflow as tf

with tf.variable_scope("example_scope"):
    x = tf.get_variable("x", shape=[1], initializer=tf.constant_initializer(1.0))
    y = tf.get_variable("y", shape=[1], initializer=tf.constant_initializer(2.0))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(x))
    print(sess.run(y))

在这个例子中，我们首先创建了一个 variable_scope，用来管理一些相关的变量。然后，我们使用tf.get_variable()函数分别创建了两个变量 x 和 y，它们的初始值分别为 1.0 和 2.0。最后，我们创建一个会话，并使用tf.global_variables_initializer()函数初始化所有变量。使用sess.run()函数和变量名作为参数，我们可以打印变量 x 和 y 的值，输出结果如下：

[1.]
[2.]

示例2：打印权值

在 TensorFlow 中，我们可以使用tf.trainable_variables()函数来获取所有可训练的变量，即所有的 weights 和 biases。以下是示例代码：

import tensorflow as tf

x = tf.placeholder(dtype=tf.float32, shape=[None, 1])
y = tf.placeholder(dtype=tf.float32, shape=[None, 1])

W = tf.Variable(tf.ones(shape=[1, 1]), name="W")
b = tf.Variable(tf.zeros(shape=[1]), name="b")

y_pred = tf.matmul(x, W) + b
loss = tf.reduce_mean(tf.square(y_pred - y))

train_op = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(100):
        _, loss_val, W_val, b_val = sess.run([train_op, loss, W, b], feed_dict={x: [[1], [2], [3], [4]], y: [[2], [4], [6], [8]]})
        print("loss: {}, W: {}, b: {}".format(loss_val, W_val, b_val))

    print("trainable variables: ")
    for var in tf.trainable_variables():
        print(var.name, var.shape)

在这个例子中，我们使用tf.placeholder(dtype, shape)函数来定义输入和输出的 placeholder。然后，我们定义了一个权重变量 W 和一个偏置变量 b，它们的初始值分别为 1 和 0。接着，我们计算预测值 y_pred，并定义损失函数 loss，使用梯度下降法训练模型并打印每次迭代的 loss，W 和 b 值。最后，我们使用tf.trainable_variables()函数打印所有可训练的变量，输出结果如下：

trainable variables: 
W:0 (1, 1)
b:0 (1,)

其中，“:0”表示该变量所在的设备和变量所在设备上的编号。