标签：padding rand ges not sts 存在 weight 连接 共享
def my_image_filter(input_images): conv1_weights = tf.Variable(tf.random_normal([5, 5, 32, 32]), name="conv1_weights") conv1_biases = tf.Variable(tf.zeros([32]), name="conv1_biases") conv1 = tf.nn.conv2d(input_images, conv1_weights, strides=[1, 1, 1, 1], padding=‘SAME‘) relu1 = tf.nn.relu(conv1 + 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") conv2 = tf.nn.conv2d(relu1, conv2_weights, strides=[1, 1, 1, 1], padding=‘SAME‘) return tf.nn.relu(conv2 + conv2_biases)
这个模型中有4个不同的变量：conv1_weights, conv1_biases, conv2_weights, and conv2_biases
当我们想再次使用这个模型的时候出现问题了：在两个不同的图片image1和image2上应用以上模型，当然，我们想这两张图片被相同参数的同一个滤波器处理。如果我们两次调用my_image_filter()的话，则会创建两个不同的变量集，每个变量集中各4个变量。
# First call creates one set of 4 variables. result1 = my_image_filter(image1) # Another set of 4 variables is created in the second call. result2 = my_image_filter(image2)
共享变量的一种常见方法是在单独的代码段中创建它们，并将它们传递给使用它们的函数。 例如通过使用字典：
variables_dict = { "conv1_weights": tf.Variable(tf.random_normal([5, 5, 32, 32]), name="conv1_weights") "conv1_biases": tf.Variable(tf.zeros([32]), name="conv1_biases") ... etc. ... } def my_image_filter(input_images, variables_dict): conv1 = tf.nn.conv2d(input_images, variables_dict["conv1_weights"], strides=[1, 1, 1, 1], padding=‘SAME‘) relu1 = tf.nn.relu(conv1 + variables_dict["conv1_biases"]) conv2 = tf.nn.conv2d(relu1, variables_dict["conv2_weights"], strides=[1, 1, 1, 1], padding=‘SAME‘) return tf.nn.relu(conv2 + variables_dict["conv2_biases"]) # Both calls to my_image_filter() now use the same variables result1 = my_image_filter(image1, variables_dict) result2 = my_image_filter(image2, variables_dict)
但是像上面这样在代码外面创建变量很方便， 破坏了封装
解决问题的一种方法是使用类创建一个模型，其中类负责管理所需的变量。 一个较简便的解决方案是，使用TensorFlow提供variable scope机制，通过这个机制，可以让我们在构建模型时轻松共享命名变量。
def conv_relu(input, 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)) conv = tf.nn.conv2d(input, weights, strides=[1, 1, 1, 1], padding=‘SAME‘) return tf.nn.relu(conv + biases)
此这个函数使用“weights”和“biases”命名变量。 我们希望将它用于conv1和conv2，但变量需要具有不同的名称。 这就是tf.variable_scope（）发挥作用的地方：它为各变量分配命名空间。
def my_image_filter(input_images): with tf.variable_scope("conv1"): # Variables created here will be named "conv1/weights", "conv1/biases". relu1 = conv_relu(input_images, [5, 5, 32, 32], [32]) with tf.variable_scope("conv2"): # Variables created here will be named "conv2/weights", "conv2/biases". return conv_relu(relu1, [5, 5, 32, 32], [32])
现在，我们来看下两次调用my_image_filter()会怎样：
result1 = my_image_filter(image1) result2 = my_image_filter(image2) # Raises ValueError(... conv1/weights already exists ...)
如你所见，tf.get_variable() 会检查已存在的变量是不是意外地共享。如果你想共享它们，你需要通过如下设置reuse_variables()来指定它。
tensorflow中的共享变量（sharing variables）
标签：padding rand ges not sts 存在 weight 连接 共享
原文地址：http://www.cnblogs.com/max-hu/p/7113554.html
