原文：
www.kdnuggets.com/2021/01/mastering-tensorflow-variables-5-easy-steps.html
评论
作者：Orhan G. Yalçın，AI 研究员
警告： 请勿将本文与“在 5 个简单步骤中掌握 TensorFlow 张量”混淆！
如果你正在阅读这篇文章，我相信我们有相似的兴趣，并且在相似的行业中工作/将会工作。所以让我们通过Linkedin联系吧！请随时发送联系请求！Orhan G. Yalçın — Linkedin*
图 1。照片由Crissy Jarvis提供，发布在Unsplash
在本教程中，我们将重点关注TensorFlow 变量。教程结束后，你将能够有效地创建、更新和管理TensorFlow 变量。像往常一样，我们的教程将提供详细的代码示例以及概念解释。我们将在 5 个简单步骤中掌握TensorFlow 变量：
-
步骤 1：变量定义 → 简要介绍，与Tensors的比较
-
步骤 2：变量创建 → 实例化 tf.Variable 对象
-
步骤 3： 变量的资格 → 特征和属性
-
步骤 4：变量操作 → 基本张量操作、索引、形状操作和广播
-
步骤 5：变量的硬件选择 → GPUs，CPUs，TPUs
系好安全带，让我们开始吧！
在这一步中，我们将简要介绍变量的概念，并理解普通 Tensor 对象和变量对象之间的区别。
TensorFlow 变量是表示共享和持久状态的首选对象类型，你可以通过任何操作（包括 TensorFlow 模型）来操控。操控指的是任何值或参数的更新。这一特性是变量与tf.Tensor对象最主要的区别。TensorFlow 变量被记录为tf.Variable对象。让我们简要比较一下tf.Tensor和tf.Variable对象，以理解它们的相似性和差异。
图 2。变量值可以更新（图由作者提供）
因此，变量和张量之间最重要的区别是可变性。与张量不同，变量对象中的值可以被更新（例如，通过*assign()*函数）。
“张量对象的值不能被更新，你只能用新的值创建一个新的张量对象。””
变量对象主要用于存储模型参数，由于这些值在训练过程中会不断更新，因此使用变量而不是张量是一种必需而非选择。
变量对象的形状可以使用reshape()实例函数更新，就像张量对象的形状一样。由于变量对象是基于张量对象构建的，因此它们具有.shape和.dtype等共同属性。但变量还具有张量所没有的唯一属性，如.trainable、.device和.name。
图 3. TensorFlow 变量实际上是围绕 TensorFlow 张量的一个包装器，具有额外的功能（图由作者提供）
让我们来看看如何创建
tf.Variable对象！
我们可以使用tf.Variable()函数实例化（即，创建）tf.Variable对象。tf.Variable()函数接受不同的数据类型作为参数，如整数、浮点数、字符串、列表和tf.Constant对象。
在展示不同数据类型的变量对象示例之前，我希望你能*“打开一个新的 Google Colab 笔记本”并使用以下代码导入 TensorFlow 库：*
现在，我们可以开始创建tf.Variable对象。
1 — 我们可以将一个tf.constant()对象作为initial_value传递：
2 — 我们可以将一个单独的整数作为initial_value传递：
3 — 我们可以将一个整数或浮点数列表作为initial_value传递：
4 — 我们可以将一个单独的字符串作为initial_value传递：
5 — 我们可以将一个字符串列表作为initial_value传递：
正如你所看到的，tf.Variable()函数接受作为initial_value参数的几种数据类型。现在让我们看看变量的特征和功能。
每个变量必须具有一些属性，如值、名称、统一数据类型、形状、秩、大小等。在这一部分，我们将看到这些属性是什么以及如何在 Colab 笔记本中查看这些属性。
每个变量必须指定一个initial_value。否则，TensorFlow 会引发错误，并提示Value Error: initial_value must be specified.因此，请确保在创建变量对象时传递initial_value参数。为了查看变量的值，我们可以使用.value()函数以及.numpy()函数。请参见下面的示例：
**Output:**
The values stored in the variables:
tf.Tensor( [[1\. 2.]
[1\. 2.]], shape=(2, 2), dtype=float32)The values stored in the variables:
[[1\. 2.]
[1\. 2.]]Name 是一个 Variable 属性，帮助开发者跟踪特定变量的更新。你可以在创建 Variable 对象时传递name参数。如果你没有指定名称，TensorFlow 会分配一个默认名称，如下所示：
**Output:**
The name of the variable: Variable:0每个 Variable 必须有统一的数据类型进行存储。由于每个 Variable 存储的是单一类型的数据，你也可以通过.dtype属性查看这个类型。见下方示例：
**Output:**
The selected datatype for the variable: <dtype: 'float32'>形状属性以列表形式显示每个维度的大小。我们可以使用.shape属性查看 Variable 对象的形状。然后，我们可以使用tf.size()函数查看一个 Variable 对象的维度数量。最后，大小对应于一个 Variable 拥有的元素总数。我们需要使用tf.size()函数来计算 Variable 中的元素数量。见下方代码了解所有三个属性：
**Output:**
The shape of the variable: (2, 2)
The number of dimensions in the variable: 2
The number of dimensions in the variable: 4使用数学运算符和 TensorFlow 函数，你可以轻松进行多种基本操作。除了我们在本教程系列第二部分中介绍的内容，你还可以使用以下数学运算符进行 Variable 操作。
图 4. 你可能会从基本数学运算符中受益（图示由作者提供）
**加法和减法：**我们可以使用+和—符号进行加法和减法运算。
Addition by 2:
tf.Tensor( [[3\. 4.] [3\. 4.]], shape=(2, 2), dtype=float32)Substraction by 2:
tf.Tensor( [[-1\. 0.] [-1\. 0.]], shape=(2, 2), dtype=float32)**乘法和除法：**我们可以使用*和/符号进行乘法和除法运算。
Multiplication by 2:
tf.Tensor( [[2\. 4.] [2\. 4.]], shape=(2, 2), dtype=float32)Division by 2:
tf.Tensor( [[0.5 1\. ] [0.5 1\. ]], shape=(2, 2), dtype=float32)矩阵乘法和取模操作：最后，你还可以使用@和%符号进行矩阵乘法和取模操作：
Matmul operation with itself:
tf.Tensor( [[3\. 6.] [3\. 6.]], shape=(2, 2), dtype=float32)Modulo operation by 2:
tf.Tensor( [[1\. 0.] [1\. 0.]], shape=(2, 2), dtype=float32)这些是基础示例，但它们可以扩展为复杂计算，从而创建我们在深度学习应用中使用的算法。
**Note:** These operators also work on regular Tensor objects.使用tf.assign()函数，你可以在不创建新对象的情况下给一个 Variable 对象赋予新值。赋值是 Variables 的一个优点，特别是在需要重新赋值的情况下。以下是重新赋值的示例：
**Output:**
...array([[ 2., 100.],
[ 1., 10.]],...就像在 Tensors 中一样，你可以使用索引值轻松访问特定元素，如下所示：
**Output:**
The 1st element of the first level is: [1\. 2.]
The 2nd element of the first level is: [1\. 2.]
The 1st element of the second level is: 1.0
The 3rd element of the second level is: 2.0就像在 Tensor 对象中一样，当我们尝试使用多个 Variable 对象进行组合操作时，较小的 Variable 可以自动扩展以适应较大的 Variable，就像 NumPy 数组一样。例如，当你尝试将一个标量 Variable 与一个二维 Variable 相乘时，标量会被扩展以乘以每个二维 Variable 元素。见下方示例：
tf.Tensor([[ 5 10]
[15 20]], shape=(2, 2), dtype=int32)与 Tensor 对象一样，你也可以对 Variable 对象进行重塑操作。对于重塑操作，我们可以使用tf.reshape()函数。让我们在代码中使用tf.reshape()函数：
tf.Tensor( [[1.]
[2.]
[1.]
[2.]], shape=(4, 1), dtype=float32)正如你在接下来的部分中将看到的，我们将使用 GPU 和 TPU 加速模型训练。为了能够查看我们的变量是在哪种设备（即处理器）上处理的，我们可以使用 .device 属性：
The device which process the variable: /job:localhost/replica:0/task:0/device:GPU:0我们还可以使用 tf.device() 函数，通过将设备名称作为参数传递来设置处理特定计算的设备。请参见下面的示例：
**Output:**
The device which processes the variable a: /job:localhost/replica:0/task:0/device:CPU:0The device which processes the variable b: /job:localhost/replica:0/task:0/device:CPU:0The device which processes the calculation: /job:localhost/replica:0/task:0/device:GPU:0虽然在训练模型时你不需要手动设置，但在某些情况下，你可能需要为特定的计算或数据处理工作选择一个设备。所以，要注意这个选项。
我们已经成功覆盖了 TensorFlow 变量对象的基础知识。
给自己一个奖励吧！
这应该会给你很大的信心，因为你现在对 TensorFlow 中用于各种操作的主要可变变量对象类型有了更多了解。
如果这是你的第一篇文章，考虑从 本教程系列的第一部分 开始：
理解 TensorFlow 平台及其对机器学习专家的价值
或 查看第二部分：
了解 TensorFlow 的基本构件如何在底层工作，并学习如何充分利用 Tensor…
如果你想访问 Google Colab 上的完整代码以及我最新的内容，考虑订阅邮件列表：
滑动以订阅最后，如果你对更多高级的应用深度学习教程感兴趣，请查看我的其他文章：
使用卷积神经网络与 TensorFlow 和 Keras 对手写数字进行分类 | 监督深度学习
使用深度卷积自编码器清理（或去噪）带有噪声的图像，借助 Fashion MNIST | 无监督…
使用无监督深度学习生成手写数字，利用深度卷积 GAN 和 TensorFlow…
用 TensorFlow Hub 和 Magenta 在 5 分钟内快速神经风格迁移
将梵高的独特风格通过 Magenta 的任意图像风格化网络和深度学习转移到照片中
简历： Orhan G. Yalçın 是法律领域的 AI 研究员。他是一位合格的律师，具有商业发展和数据科学技能，并曾在 Allen & Overy 担任法律实习生，处理资本市场、竞争和公司法事务。
原始链接。经许可转载。
相关：
-
在 5 个简单步骤中掌握 TensorFlow 张量
-
使用 TensorFlow Serving 部署训练好的模型到生产环境
-
在 TensorFlow 中修剪机器学习模型
1. Google 网络安全证书 - 快速进入网络安全职业生涯。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你的组织的信息技术