tensorflow变量的初始化

tensorflow的变量常用于定义神经网络的权重和偏置，深度学习中常常用随机数或0进行初始化，它在初始化之后，必须进行显示的初始化说明。

例如下面的例子：

#tensorflow变量的演示
import tensorflow as tf
rand_t = tf.random_uniform([5, 5], 0, 10, seed = 10)#产生0~10之间是均匀分布的随机数，种子为10
t_a = tf.Variable(rand_t)#定义变量的同时进行幅值
t_b = tf.Variable(rand_t)

weights = tf.Variable(tf.random_normal([5, 5], stddev = 1 ))#均值为0，标准差为2， 大小为5*5
bias = tf.Variable(tf.zeros([4, 4]), name = 'biases') #0矩阵，可选名为：biases

intial_op = tf.global_variables_initializer() #申明初始化操作对象，对所以变量初始化
with tf.Session() as sess:
    sess.run(bias.initializer)#只对某个变量进行初始化
    print(sess.run(bias))   
    print(sess.run(t_a))  
    

会发生报错，因为t_a没有初始化

我们可以对所有变量进行初始化

#tensorflow变量的演示
import tensorflow as tf
rand_t = tf.random_uniform([5, 5], 0, 10, seed = 10)#产生0~10之间是均匀分布的随机数，种子为10
t_a = tf.Variable(rand_t)#定义变量的同时进行幅值
t_b = tf.Variable(rand_t)

weights = tf.Variable(tf.random_normal([5, 5], stddev = 1 ))#均值为0，标准差为2， 大小为5*5
bias = tf.Variable(tf.zeros([4, 4]), name = 'biases') #0矩阵，可选名为：biases

intial_op = tf.global_variables_initializer() #申明初始化操作对象，对所以变量初始化
with tf.Session() as sess:
    sess.run(intial_op)#对所有变量进行初始化
    print(sess.run(bias))   
    print(sess.run(t_a)) 

输出结果：

================ RESTART: F:/tensorflow_code/tensorflow变量.py ================
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]
[[1.585741   1.6258383  4.098324   1.9529402  2.6489758 ]
 [3.8028598  6.308771   5.637535   8.381234   5.0919294 ]
 [1.3144398  5.236477   3.858428   0.4855621  1.6433549 ]
 [9.507733   8.029479   8.577951   1.9937825  8.470536  ]
 [7.9014673  2.721119   0.19138575 9.419489   6.365589  ]]