Variables多种表达

Variables：TF基础数据之一，常用于变量的训练。。。重要性刚学TF就知道了

1.tf.Variable()　

tf.Variable(initial_value=None, trainable=True, collections=None, validate_shape=True, caching_device=None, name=None, variable_def=None, dtype=None, expected_shape=None, import_scope=None)

　　这种方法是最基本最简单的创建方式，一些基本介绍就不说了

2.与tf.get_variable()

tf.get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, custom_getter=None)

　　比上一个方法高级，不仅可以直接创建还可以使用权值共享功能。

　　A)建立变量Variable和get_variable的区别　

　　　　使用tf.Variable时，如果检测到命名冲突，系统会自己处理。使用tf.get_variable()时，系统不会处理冲突，而会报错。

 import tensorflow as tf
 w_1 = tf.Variable(3,name="w_1")
 w_2 = tf.Variable(1,name="w_1")
 print w_1.name
 print w_2.name
 #输出
 #w_1:0
 #w_1_1:0

 import tensorflow as tf

 w_1 = tf.get_variable(name="w_1",initializer=1)
 w_2 = tf.get_variable(name="w_1",initializer=2)
 #错误信息
 #ValueError: Variable w_1 already exists, disallowed. Did
 #you mean to set reuse=True in VarScope?

　　B)权值共享　　

 import tensorflow as tf

 with tf.variable_scope("scope1"):
     w1 = tf.get_variable("w1", shape=[])
     w2 = tf.Variable(0.0, name="w2")
 with tf.variable_scope("scope1", reuse=True):
     w1_p = tf.get_variable("w1", shape=[])
     w2_p = tf.Variable(1.0, name="w2")

 print(w1 is w1_p, w2 is w2_p)
 #输出
 #True  False

　　variable_scope相当于命名空间　　reuse标志位，判断命名空间内的variable是否重用（共享）

3.字典映射

　　有时候我们参数太多，而且还不尽相同，C++种使用数据结构去存储，那么TF当然可以使用一些数据库，最简单的直接使用字典去存储。

 parameters = {
     'w1': tf.Variable(tf.truncated_normal([3, 3, 1, 64], dtype=tf.float32, stddev=1e-1), name='w1'),
     'w2': tf.Variable(tf.truncated_normal([3, 3, 64, 64], dtype=tf.float32, stddev=1e-1), name='w2'),
     'w3': tf.Variable(tf.truncated_normal([3, 3, 64, 128], dtype=tf.float32, stddev=1e-1), name='w3'),
     'w4': tf.Variable(tf.truncated_normal([3, 3, 128, 128], dtype=tf.float32, stddev=1e-1), name='w4'),
     'w5': tf.Variable(tf.truncated_normal([3, 3, 128, 256], dtype=tf.float32, stddev=1e-1), name='w5'),
     'fc1': tf.Variable(tf.truncated_normal([256*28*28, 1024], dtype=tf.float32, stddev=1e-2), name='fc1'),
     'fc2': tf.Variable(tf.truncated_normal([1024, 1024], dtype=tf.float32, stddev=1e-2), name='fc2'),
     'softmax': tf.Variable(tf.truncated_normal([1024, 10], dtype=tf.float32, stddev=1e-2), name='fc3'),
     'bw1': tf.Variable(tf.random_normal([64])),
     'bw2': tf.Variable(tf.random_normal([64])),
     'bw3': tf.Variable(tf.random_normal([128])),
     'bw4': tf.Variable(tf.random_normal([128])),
     'bw5': tf.Variable(tf.random_normal([256])),
     'bc1': tf.Variable(tf.random_normal([1024])),
     'bc2': tf.Variable(tf.random_normal([1024])),
     'bs': tf.Variable(tf.random_normal([10]))
 }

 # 第一卷积层
     conv1 = conv2d(x_, _parameters['w1'], _parameters['bw1'])
     lrn1 = lrn(conv1)
     pool1 = max_pool(lrn1, 2)

     # 第二卷积层
     conv2 = conv2d(pool1, _parameters['w2'], _parameters['bw2'])
     lrn2 = lrn(conv2)
     pool2 = max_pool(lrn2, 2)

     # 第三卷积层
     conv3 = conv2d(pool2, _parameters['w3'], _parameters['bw3'])

     # 第四卷积层
     conv4 = conv2d(conv3, _parameters['w4'], _parameters['bw4'])

     # 第五卷积层
     conv5 = conv2d(conv4, _parameters['w5'], _parameters['bw5'])
     pool5 = max_pool(conv5, 2)

参考：

　　　　https://blog.csdn.net/u012436149/article/details/53696970

　　　　https://blog.csdn.net/u011974639/article/details/76146822

　　　　https://blog.csdn.net/roseki/article/details/70832143