- TensorFlow：tf.get_variable()和tf.Variable()
1.tf.get_variable函數
函數：tf.get_variable，獲取具有這些參數的現有變量或創建一個新變量。
get_variable(name, shape=None, dtype=None, initializer=None, regularizer=None, trainable=True, collections=None, caching_device=None, partitioner=None, validate_shape=True, use_resource=None, custom_getter=None)
此函數將名稱與當前變量範圍進行前綴，並執行重用檢查。有關重用如何工作的詳細說明，請參見變量範圍。下面是一個基本示例:
with tf.variable_scope("foo"):
v = tf.get_variable("v", [1]) # v.name == "foo/v:0"
w = tf.get_variable("w", [1]) # w.name == "foo/w:0"
with tf.variable_scope("foo", reuse=True):
v1 = tf.get_variable("v") # The same as v above.如果初始化器爲 None（默認），則將使用在變量範圍內傳遞的默認初始化器。如果另一個也是 None，那麼一個 glorot_uniform_initializer 將被使用。初始化器也可以是張量，在這種情況下，變量被初始化爲該值和形狀。
類似地，如果正則化器是 None（默認），則將使用在變量範圍內傳遞的默認正則符號（如果另一個也是 None，則默認情況下不執行正則化）。
如果提供了分區，則返回 PartitionedVariable。作爲張量訪問此對象將返回沿分區軸連接的碎片。
一些有用的分區可用。例如：variable_axis_size_partitioner 和 min_max_variable_partitioner。
參數：
name：新變量或現有變量的名稱。
shape：新變量或現有變量的形狀。
dtype：新變量或現有變量的類型（默認爲 DT_FLOAT）。
initializer：創建變量的初始化器。
regularizer：一個函數（張量 - >張量或無）；將其應用於新創建的變量的結果將被添加到集合 tf.GraphKeys.REGULARIZATION_LOSSES 中，並可用於正則化。
trainable：如果爲 True，還將變量添加到圖形集合：GraphKeys.TRAINABLE_VARIABLES。
collections：要將變量添加到其中的圖形集合鍵的列表。默認爲 [GraphKeys.LOCAL_VARIABLES]。
caching_device：可選的設備字符串或函數，描述變量應該被緩存以讀取的位置。默認爲變量的設備，如果不是 None，則在其他設備上進行緩存。典型的用法的在使用該變量的操作所在的設備上進行緩存，通過 Switch 和其他條件語句來複制重複數據刪除。
partitioner：（可選）可調用性，它接受要創建的變量的完全定義的 TensorShape 和 dtype，並且返回每個座標軸的分區列表（當前只能對一個座標軸進行分區）。
validate_shape：如果爲假，則允許使用未知形狀的值初始化變量。如果爲真，則默認情況下，initial_value 的形狀必須是已知的。
use_resource：如果爲假，則創建一個常規變量。如果爲真，則創建一個實驗性的 ResourceVariable，而不是具有明確定義的語義。默認爲假（稍後將更改爲真）。
custom_getter：可調用的，將第一個參數作爲真正的 getter，並允許覆蓋內部的 get_variable 方法。custom_getter 的簽名應該符合這種方法，但最經得起未來考驗的版本將允許更改：def custom_getter(getter, *args, **kwargs)。還允許直接訪問所有 get_variable 參數：def custom_getter(getter, name, *args, **kwargs)。創建具有修改的名稱的變量的簡單標識自定義 getter 是：python def custom_getter(getter, name, *args, **kwargs): return getter(name + ‘_suffix’, *args, **kwargs)
返回值：
創建或存在Variable（或者PartitionedVariable，如果使用分區器）。
可能引發的異常：
ValueError：當創建新的變量和形狀時，在變量創建時違反重用，或當 initializer 的 dtype 和 dtype 不匹配時。在 variable_scope 中設置重用。
initializer爲變量初始化的方法，初始化有如下幾種：
tf.constant_initializer(value=0, dtype=tf.float32)：常量初始化
tf.random_normal_initializer(mean=0.0, stddev=1.0, seed=None, dtype=tf.float32)：正態分佈初始化
tf.truncated_normal_initializer(mean=0.0, stddev=1.0, seed=None, dtype=tf.float32)：截取的正態分佈初始化
tf.random_uniform_initializer(minval=0, maxval=None, seed=None, dtype=tf.float32)：均勻分佈初始化
tf.zeros_initializer(shape, dtype=tf.float32, partition_info=None)：全0常量初始化
tf.ones_initializer(dtype=tf.float32, partition_info=None)：全1常量初始化
tf.uniform_unit_scaling_initializer(factor=1.0, seed=None, dtype=tf.float32)：均勻分佈（不指定最小、最大值)初始化
tf.variance_scaling_initializer(scale = 1.0, mode = "fan_in", distribution = "normal", seed = None, dtype = dtypes.float32)：由mode確定數量的截取的正態分佈或均勻分
tf.orthogonal_initializer(gain=1.0, dtype=tf.float32, seed=None)：正交矩陣初始化
tf.glorot_uniform_initializer(seed=None, dtype=tf.float32)：由輸入單元節點數和輸出單元節點數確定的均勻分佈初始化
tf.glorot_normal_initializer(seed=None, dtype=tf.float32)：由輸入單元節點數和輸出單元節點數確定的截取的正態分佈初始化
note: tf.get_variable中initializer的初始化不需要指定shape了，已在外面指定2.tf.get_variable函數：
函數：tf.Variable，新建一個變量。
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)
initial_value爲初始化變量的值，有以下幾種方法：
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)
tf.random_shuffle(value, seed=None, name=None)
tf.random_crop(value, size, seed=None, name=None)
tf.multinomial(logits, num_samples, seed=None, name=None)
tf.random_gamma(shape, alpha, beta=None, dtype=tf.float32, seed=None, name=None)
tf.set_random_seed(seed) 設置產生隨機數的種子
tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(tensor, dtype=None, name=None)
tf.ones(shape, dtype=tf.float32, name=None)
tf.ones_like(tensor, dtype=None, name=None)
tf.fill(dims, value, name=None)
tf.constant(value, dtype=None, shape=None, name='Const')