# 變量 到目前為止，我們已經看到了如何創建各種張量對象：常量，操作和占位符。在使用 TensorFlow 構建和訓練模型時，通常需要將參數值保存在可在運行時更新的內存位置。該內存位置由 TensorFlow 中的變量標識。 在 TensorFlow 中，變量是張量對象，它們包含可在程序執行期間修改的值。 雖然`tf.Variable`看起來與`tf.placeholder`類似，但兩者之間存在細微差別： | **`tf.placeholder`** | **`tf.Variable`** | | --- | --- | | `tf.placeholder`定義了不隨時間變化的輸入數據 | `tf.Variable`定義隨時間修改的變量值 | | `tf.placeholder`在定義時不需要初始值 | `tf.Variable`在定義時需要初始值 | 在 TensorFlow 中，可以使用`tf.Variable()`創建變量。讓我們看一個帶有線性模型的占位符和變量的示例：  1. 我們將模型參數`w`和`b`分別定義為具有`[.3]`和`[-0.3]`初始值的變量： ```py w = tf.Variable([.3], tf.float32) b = tf.Variable([-.3], tf.float32) ``` 1. 輸入`x`定義為占位符，輸出`y`定義為操作： ```py x = tf.placeholder(tf.float32) y = w * x + b ``` 1. 讓我們打印`w`，`v`，`x`和`y`，看看我們得到了什么： ```py print("w:",w) print("x:",x) print("b:",b) print("y:",y) ``` 我們得到以下輸出： ```py w: <tf.Variable 'Variable:0' shape=(1,) dtype=float32_ref> x: Tensor("Placeholder_2:0", dtype=float32) b: <tf.Variable 'Variable_1:0' shape=(1,) dtype=float32_ref> y: Tensor("add:0", dtype=float32) ``` 輸出顯示`x`是占位符張量，`y`是操作張量，而`w`和`b`是形狀`(1,)`和數據類型`float32`的變量。 在 TensorFlow 會話中使用變量之前，必須先初始化它們。您可以通過運行其初始化程序操作來初始化單個變量。 例如，讓我們初始化變量`w`： ```py tfs.run(w.initializer) ``` 但是，在實踐中，我們使用 TensorFlow 提供的便利函數來初始化所有變量： ```py tfs.run(tf.global_variables_initializer()) ``` 您還可以使用`tf.variables_initializer()`函數來初始化一組變量。 也可以通過以下方式調用全局初始化程序便利函數，而不是在會話對象的`run()`函數內調用： ```py tf.global_variables_initializer().run() ``` 在初始化變量之后，讓我們運行我們的模型來給出 x = [1,2,3,4]的值的輸出： ```py print('run(y,{x:[1,2,3,4]}) : ',tfs.run(y,{x:[1,2,3,4]})) ``` 我們得到以下輸出： ```py run(y,{x:[1,2,3,4]}) : [ 0\. 0.30000001 0.60000002 0.90000004] ```