# 变量 到目前为止，我们已经看到了如何创建各种张量对象：常量，操作和占位符。在使用 TensorFlow 构建和训练模型时，通常需要将参数值保存在可在运行时更新的内存位置。该内存位置由 TensorFlow 中的变量标识。 在 TensorFlow 中，变量是张量对象，它们包含可在程序执行期间修改的值。 虽然`tf.Variable`看起来与`tf.placeholder`类似，但两者之间存在细微差别： | **`tf.placeholder`** | **`tf.Variable`** | | --- | --- | | `tf.placeholder`定义了不随时间变化的输入数据 | `tf.Variable`定义随时间修改的变量值 | | `tf.placeholder`在定义时不需要初始值 | `tf.Variable`在定义时需要初始值 | 在 TensorFlow 中，可以使用`tf.Variable()`创建变量。让我们看一个带有线性模型的占位符和变量的示例：  1. 我们将模型参数`w`和`b`分别定义为具有`[.3]`和`[-0.3]`初始值的变量： ```py w = tf.Variable([.3], tf.float32) b = tf.Variable([-.3], tf.float32) ``` 1. 输入`x`定义为占位符，输出`y`定义为操作： ```py x = tf.placeholder(tf.float32) y = w * x + b ``` 1. 让我们打印`w`，`v`，`x`和`y`，看看我们得到了什么： ```py print("w:",w) print("x:",x) print("b:",b) print("y:",y) ``` 我们得到以下输出： ```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) ``` 输出显示`x`是占位符张量，`y`是操作张量，而`w`和`b`是形状`(1,)`和数据类型`float32`的变量。 在 TensorFlow 会话中使用变量之前，必须先初始化它们。您可以通过运行其初始化程序操作来初始化单个变量。 例如，让我们初始化变量`w`： ```py tfs.run(w.initializer) ``` 但是，在实践中，我们使用 TensorFlow 提供的便利函数来初始化所有变量： ```py tfs.run(tf.global_variables_initializer()) ``` 您还可以使用`tf.variables_initializer()`函数来初始化一组变量。 也可以通过以下方式调用全局初始化程序便利函数，而不是在会话对象的`run()`函数内调用： ```py tf.global_variables_initializer().run() ``` 在初始化变量之后，让我们运行我们的模型来给出 x = [1,2,3,4]的值的输出： ```py print('run(y,{x:[1,2,3,4]}) : ',tfs.run(y,{x:[1,2,3,4]})) ``` 我们得到以下输出： ```py run(y,{x:[1,2,3,4]}) : [ 0\. 0.30000001 0.60000002 0.90000004] ```