TensorFlow学习——tf.Variable()

tf.Variable(initializer,name)：参数initializer是初始化参数，name是可自定义的变量名称

主要在于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏执值（bias）。

例子：

W = tf.Variable(tf.zeros([784, 10])) b = tf.Variable(tf.zeros([10]))

当然，在TensorFlow中，运行这两条语句后，W和b其实还是没有真正初始化，需要运行下面一条语句，才能在内存中真正初始化：  

sess.run(tf.global_variables_initializer())

这里最后说一下，placeholder和Variable的区别：

转自：https://www.cnblogs.com/nowornever-L/p/6908775.html

二者的主要区别在于：

tf.Variable：主要在于一些可训练变量（trainable variables），比如模型的权重（weights，W）或者偏执值（bias）；

声明时，必须提供初始值；名称的真实含义，在于变量，也即在真实训练时，其值是会改变的，自然事先需要指定初始值；  weights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stddev=1./math.sqrt(float(IMAGE_PIXELS)), name='weights') ) biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')

tf.placeholder：用于得到传递进来的真实的训练样本：

不必指定初始值，可在运行时，通过 Session.run 的函数的 feed_dict 参数指定；这也是其命名的原因所在，仅仅作为一种占位符；images_placeholder = tf.placeholder(tf.float32, shape=[batch_size, IMAGE_PIXELS]) labels_placeholder = tf.placeholder(tf.int32, shape=[batch_size])