TensorFlow变量创建与查找：tf.Variable与tf.get_variable详解

Noah

发布时间：2026-10-13 | 3人浏览过

原创

本文详解TensorFlow中tf.Variable与tf.get_variable的区别，涵盖变量命名、共享机制及通过名称查找变量的三种方法。结合Ubuntu14.04与TensorFlow1.4环境，提供代码示例与输出解析，帮助开发者掌握变量管理与模型微调技巧。

运行环境配置为Ubuntu14.04系统，TensorFlow版本为1.4（通过bazel源码编译安装），Python解释器使用Anaconda提供的3.6版本。

在TensorFlow中声明变量主要采用两种方式：tf.Variable和tf.get_variable。两者最核心的区别在于行为机制与用途。

具体差异如下：(1) tf.Variable是一个类，封装了丰富的属性和方法；而tf.get_variable是一个函数。(2) tf.Variable生成的变量名必须唯一，若指定的name已存在，系统会自动修改名称以生成新变量；(3) tf.get_variable支持变量共享，默认情况下会检查变量名，若发现重复则报错；但在指定变量域中启用变量共享时，可重复使用同一变量（如RNN中的参数共享场景）。

以下提供基础示例程序以展示上述行为。

import tensorflow as tf

with tf.variable_scope('scope1',reuse=tf.AUTO_REUSE) as scope1:
  x1 = tf.Variable(tf.ones([1]),name='x1')
  x2 = tf.Variable(tf.zeros([1]),name='x1')
  y1 = tf.get_variable('y1',initializer=1.0)
  y2 = tf.get_variable('y1',initializer=0.0)
  init = tf.global_variables_initializer()
  with tf.Session() as sess:
    sess.run(init)
    print(x1.name,x1.eval())
    print(x2.name,x2.eval())
    print(y1.name,y1.eval())
    print(y2.name,y2.eval())

程序执行后的输出结果如下。

scope1/x1:0 [ 1.]
scope1/x1_1:0 [ 0.]
scope1/y1:0 1.0
scope1/y1:0 1.0

1. tf.Variable(…)的使用说明

调用tf.Variable(…)时，系统会使用给定的初始值创建一个新的变量。默认情况下，该变量会被添加到graph collections中，其默认值为[GraphKeys.GLOBAL_VARIABLES]。

若将trainable属性设置为True，该变量还会被同时添加到graph collection GraphKeys.TRAINABLE_VARIABLES中。

# tf.Variable
__init__(
  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,
  constraint=None
)

2. tf.get_variable(…)的使用说明

tf.get_variable(…)的返回值存在两种情况：

一是使用指定的initializer创建一个新的变量；二是当变量被重用时，系统会根据变量名搜索并返回一个由tf.get_variable之前创建的已存在变量。

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,
  constraint=None
)

3. 根据名称查找变量的方法

在创建变量时，即使未显式指定变量名称，程序也会自动生成默认名称。因此，我们可以方便地通过名称来查找变量，这在获取参数、进行模型微调（finetune）等场景中非常有用。

示例1：

通过遍历tf.global_variables()变量列表，根据变量名进行匹配搜索来查找变量。这种方式可以同时找到由tf.Variable或tf.get_variable创建的变量。

import tensorflow as tf

x = tf.Variable(1,name='x')
y = tf.get_variable(name='y',shape=[1,2])
for var in tf.global_variables():
  if var.name == 'x:0':
    print(var)

示例2：

利用get_tensor_by_name()同样可以获取由tf.Variable或tf.get_variable创建的变量。需要注意的是，此时获得的是Tensor对象，而非Variable对象，因此变量x与x1并不相等。

import tensorflow as tf

x = tf.Variable(1,name='x')
y = tf.get_variable(name='y',shape=[1,2])

graph = tf.get_default_graph()

x1 = graph.get_tensor_by_name("x:0")
y1 = graph.get_tensor_by_name("y:0")

示例3：

针对由tf.get_variable创建的变量，可以通过启用变量重用来直接获取已存在的变量。

with tf.variable_scope("foo"):
  bar1 = tf.get_variable("bar", (2,3)) # create

with tf.variable_scope("foo", reuse=True):
  bar2 = tf.get_variable("bar") # reuse

with tf.variable_scope("", reuse=True): # root variable scope
  bar3 = tf.get_variable("foo/bar") # reuse (equivalent to the above)

print((bar1 is bar2) and (bar2 is bar3))

以上为本文的全部内容，希望对各位的学习有所帮助，也欢迎大家继续支持本站。