TensorFlow有以下API:
tf.local_variables()返回所有使用
collection=[LOCAL_VARIABLES]创建的变量。返回：
本地Variable对象的列表。
在TensorFlow中，什么是本地变量？能否给我一个例子？
什么是TensorFlow中的局部变量？
19
- Tsuan
1
请查看此问题，其中有一个本地变量在使用前必须进行初始化。 - Rfank2019
3个回答
27
简短回答：在TF中，局部变量是使用
无论我尝试了什么，我总是只收到全局变量：
但是当我阅读tf.Variable类中init方法的文档时，我发现在创建变量时，你可以通过指定一个
可用的集合元素列表在此处。因此，要创建一个本地变量，你需要像这样做。你将在
collections=[tf.GraphKeys.LOCAL_VARIABLES]创建的任何变量。例如：e = tf.Variable(6, name='var_e', collections=[tf.GraphKeys.LOCAL_VARIABLES])
LOCAL_VARIABLES: 指每台计算机本地的Variable对象子集。通常用于临时变量，如计数器等。注意：使用tf.contrib.framework.local_variable将其添加到此集合中。
它们通常不会保存/还原到检查点，并用于临时或中间值。
长答案：这对我来说也是一个困惑的来源。起初，我认为本地变量意味着与几乎任何编程语言中的本地变量相同，但这并不是同一回事：
import tensorflow as tf
def some_func():
z = tf.Variable(1, name='var_z')
a = tf.Variable(1, name='var_a')
b = tf.get_variable('var_b', 2)
with tf.name_scope('aaa'):
c = tf.Variable(3, name='var_c')
with tf.variable_scope('bbb'):
d = tf.Variable(3, name='var_d')
some_func()
some_func()
print [str(i.name) for i in tf.global_variables()]
print [str(i.name) for i in tf.local_variables()]
无论我尝试了什么，我总是只收到全局变量：
['var_a:0', 'var_b:0', 'aaa/var_c:0', 'bbb/var_d:0', 'var_z:0', 'var_z_1:0']
[]
tf.local_variables 的文档没有提供很多细节：
本地变量 - 每个进程的变量，通常不保存/恢复到检查点并用于临时或中间值。例如，它们可以用作度量计算的计数器或此机器读取数据的纪元数。local_variable() 自动将新变量添加到 GraphKeys.LOCAL_VARIABLES 中。该便利函数返回该集合的内容。
但是当我阅读tf.Variable类中init方法的文档时，我发现在创建变量时，你可以通过指定一个
collections列表来确定所需的变量类型。可用的集合元素列表在此处。因此，要创建一个本地变量，你需要像这样做。你将在
local_variables列表中看到它：e = tf.Variable(6, name='var_e', collections=[tf.GraphKeys.LOCAL_VARIABLES])
print [str(i.name) for i in tf.local_variables()]
- Salvador Dali
19
这与常规变量相同，但它位于默认值 (GraphKeys.VARIABLES) 之外的不同集合中。该集合由保存器用于初始化默认的要保存的变量列表，因此指定为 local 将不会默认保存该变量。
根据代码库，我只看到一个地方使用它，即limit_epochs。
with ops.name_scope(name, "limit_epochs", [tensor]) as name:
zero64 = constant_op.constant(0, dtype=dtypes.int64)
epochs = variables.Variable(
zero64, name="epochs", trainable=False,
collections=[ops.GraphKeys.LOCAL_VARIABLES])
- Yaroslav Bulatov
1
分布式 TensorFlow 在分布复制模式下使用局部变量。 - Rfank2019
11
我认为，在这里需要理解 TensorFlow 集合。
TensorFlow 提供了集合，它们是张量或其他对象（例如 tf.Variable 实例）的命名列表。
以下是内置的集合：
tf.GraphKeys.GLOBAL_VARIABLES #=> 'variables'
tf.GraphKeys.LOCAL_VARIABLES #=> 'local_variables'
tf.GraphKeys.MODEL_VARIABLES #=> 'model_variables'
tf.GraphKeys.TRAINABLE_VARIABLES #=> 'trainable_variables'
通常，在创建变量时，可以将其添加到给定集合中，方法是将该集合作为传递给 collections 参数的集合之一进行显式传递。
理论上，一个变量可以在任何内置或自定义集合中组合。但是，内置集合用于特定目的：
tf.GraphKeys.GLOBAL_VARIABLES：Variable()构造函数或get_variable()方法会自动将新变量添加到图集合GraphKeys.GLOBAL_VARIABLES中，除非显式传递collections参数并且不包括GLOBAL_VARIABLE。- 按照惯例，这些变量在分布式环境中是共享的（模型变量是其中的子集）。
- 更多细节请参阅
tf.global_variables()。
tf.GraphKeys.TRAINABLE_VARIABLES：- 当传递参数
trainable=True（默认行为）时，Variable()构造函数和get_variable()方法会自动将新变量添加到此图集合中。但是，您可以使用collections参数将变量添加到任何所需的集合中。 - 按照惯例，这些是将由优化器训练的变量。
- 更多细节请参阅
tf.trainable_variables()。
- 当传递参数
tf.GraphKeys.LOCAL_VARIABLES：- 您可以使用
tf.contrib.framework.local_variable()方法将变量添加到此集合中。但是，您可以使用collections参数将变量添加到任何所需的集合中。 - 按照惯例，这些是每台机器本地的变量。它们是进程级别的变量，通常不保存/恢复到检查点，并用于临时或中间值。例如，它们可以用作度量计算的计数器或此机器读取数据的历元数量。
- 更多细节请参阅
tf.local_variables()。
- 您可以使用
tf.GraphKeys.MODEL_VARIABLES：- 您可以使用
tf.contrib.framework.model_variable()方法将变量添加到此集合中。但是，您可以使用collections参数将变量添加到任何所需的集合中。 - 按照惯例，这些是用于推理（前向传播）模型中的变量。
- 更多细节请参阅
tf.model_variables()。
- 您可以使用
您也可以使用自己的集合。任何字符串都是有效的集合名称，无需显式创建集合。要在创建变量后将变量（或任何其他对象）添加到集合中，请调用tf.add_to_collection()。
例如，
tf.__version__ #=> '1.9.0'
# initializing using a Tensor
my_variable01 = tf.get_variable("var01", dtype=tf.int32, initializer=tf.constant([23, 42]))
# initializing using a convenient initializer
my_variable02 = tf.get_variable("var02", shape=[1, 2, 3], dtype=tf.int32, initializer=tf.zeros_initializer)
my_variable03 = tf.get_variable("var03", dtype=tf.int32, initializer=tf.constant([1, 2]), trainable=None)
my_variable04 = tf.get_variable("var04", dtype=tf.int32, initializer=tf.constant([3, 4]), trainable=False)
my_variable05 = tf.get_variable("var05", shape=[1, 2, 3], dtype=tf.int32, initializer=tf.ones_initializer, trainable=True)
my_variable06 = tf.get_variable("var06", dtype=tf.int32, initializer=tf.constant([5, 6]), collections=[tf.GraphKeys.LOCAL_VARIABLES], trainable=None)
my_variable07 = tf.get_variable("var07", dtype=tf.int32, initializer=tf.constant([7, 8]), collections=[tf.GraphKeys.LOCAL_VARIABLES], trainable=True)
my_variable08 = tf.get_variable("var08", dtype=tf.int32, initializer=tf.constant(1), collections=[tf.GraphKeys.MODEL_VARIABLES], trainable=None)
my_variable09 = tf.get_variable("var09", dtype=tf.int32, initializer=tf.constant(2), collections=[tf.GraphKeys.GLOBAL_VARIABLES, tf.GraphKeys.LOCAL_VARIABLES, tf.GraphKeys.MODEL_VARIABLES, tf.GraphKeys.TRAINABLE_VARIABLES, "my_collectio
n"])
my_variable10 = tf.get_variable("var10", dtype=tf.int32, initializer=tf.constant(3), collections=["my_collection"], trainable=True)
[var.name for var in tf.global_variables()] #=> ['var01:0', 'var02:0', 'var03:0', 'var04:0', 'var05:0', 'var09:0']
[var.name for var in tf.local_variables()] #=> ['var06:0', 'var07:0', 'var09:0']
[var.name for var in tf.trainable_variables()] #=> ['var01:0', 'var02:0', 'var05:0', 'var07:0', 'var09:0', 'var10:0']
[var.name for var in tf.model_variables()] #=> ['var08:0', 'var09:0']
[var.name for var in tf.get_collection("trainable_variables")] #=> ['var01:0', 'var02:0', 'var05:0', 'var07:0', 'var09:0', 'var10:0']
[var.name for var in tf.get_collection("my_collection")] #=> ['var09:0', 'var10:0']
- Munish
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接