tensorflow如何获取变量&打印权值

这篇文章将为大家详细讲解有关tensorflow如何获取变量&打印权值，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。

在使用tensorflow中，我们常常需要获取某个变量的值，比如：打印某一层的权重，通常我们可以直接利用变量的name属性来获取，但是当我们利用一些第三方的库来构造神经网络的layer时，存在一种情况：就是我们自己无法定义该层的变量，因为是自动进行定义的。

比如用tensorflow的slim库时：

<span >def resnet_stack(images, output_shape, hparams, scope=None):</span>
<span > """Create a resnet style transfer block.</span>
<span ></span>
<span > Args:</span>
<span > images: [batch-size, height, width, channels] image tensor to feed as input</span>
<span > output_shape: output image shape in form [height, width, channels]</span>
<span > hparams: hparams objects</span>
<span > scope: Variable scope</span>
<span ></span>
<span > Returns:</span>
<span > Images after processing with resnet blocks.</span>
<span > """</span>
<span > end_points = {}</span>
<span > if hparams.noise_channel:</span>
<span > # separate the noise for visualization</span>
<span > end_points['noise'] = images[:, :, :, -1]</span>
<span > assert images.shape.as_list()[1:3] == output_shape[0:2]</span>
<span ></span>
<span > with tf.variable_scope(scope, 'resnet_style_transfer', [images]):</span>
<span > with slim.arg_scope(</span>
<span >  [slim.conv2d],</span>
<span >  normalizer_fn=slim.batch_norm,</span>
<span >  kernel_size=[hparams.generator_kernel_size] * 2,</span>
<span >  stride=1):</span>
<span >  net = slim.conv2d(</span>
<span >   images,</span>
<span >   hparams.resnet_filters,</span>
<span >   normalizer_fn=None,</span>
<span >   activation_fn=tf.nn.relu)</span>
<span >  for block in range(hparams.resnet_blocks):</span>
<span >  net = resnet_block(net, hparams)</span>
<span >  end_points['resnet_block_{}'.format(block)] = net</span>
<span ></span>
<span >  net = slim.conv2d(</span>
<span >   net,</span>
<span >   output_shape[-1],</span>
<span >   kernel_size=[1, 1],</span>
<span >   normalizer_fn=None,</span>
<span >   activation_fn=tf.nn.tanh,</span>
<span >   scope='conv_out')</span>
<span >  end_points['transferred_images'] = net</span>
<span > return net, end_points</span>

我们希望获取第一个卷积层的权重weight，该怎么办呢？？

在训练时，这些可训练的变量会被tensorflow保存在 tf.trainable_variables() 中，于是我们就可以通过打印 tf.trainable_variables() 来获取该卷积层的名称（或者你也可以自己根据scope来看出来该变量的name ），然后利用tf.get_default_grap().get_tensor_by_name 来获取该变量。

举个简单的例子：

<span >import tensorflow as tf</span>
<span >with tf.variable_scope("generate"):</span>
<span > with tf.variable_scope("resnet_stack"):</span>
<span >  #简单起见，这里没有用第三方库来说明，</span>
<span >  bias = tf.Variable(0.0,name="bias")</span>
<span >  weight = tf.Variable(0.0,name="weight")</span>
<span ></span>
<span >for tv in tf.trainable_variables():</span>
<span > print (tv.name)</span>
<span ></span>
<span >b = tf.get_default_graph().get_tensor_by_name("generate/resnet_stack/bias:0")</span>
<span >w = tf.get_default_graph().get_tensor_by_name("generate/resnet_stack/weight:0")</span>
<span ></span>
<span >with tf.Session() as sess:</span>
<span > tf.global_variables_initializer().run()</span>
<span > print(sess.run(b))</span>
<span > print(sess.run(w))
</span>

结果如下：

关于“tensorflow如何获取变量&打印权值”这篇文章就分享到这里了，希望以上内容可以对大家有一定的帮助，使各位可以学到更多知识，如果觉得文章不错，请把它分享出去让更多的人看到。