在TensorFlow中，變數（tf.Variable）的作用就是儲存和更新神經網路的引數。在神經網路中，給變數賦予隨機數最為常見，所以一般使用隨機數給TensorFlow的變數初始化。

import tensorflow as tf
#定義矩陣變數weights，2X3的矩陣，矩陣中元素的均值為0，標準差為2。
weights = tf.Variable(tf.random_normal([2,3],stddev=2))
sess = tf.Session()
#Tensorflow中，所有變數都必須初始化才能使用
init = tf.global_variables_initializer()
sess.run
 
(init)
print(sess.run(weights))

1、tf.random_normal 正態分佈隨機數
2、tf.truncated_normal 正態分佈，但如果隨機出來的值偏離值超過2個標準差，那麼這個數將會被重新隨機
3、tf.random_uniform 均勻分佈
4、tf.random_gamma Gamma 分佈

weights = tf.Variable(tf.random_normal([2,3],stddev =2))
weights1 = tf.Variable(tf.truncated_normal([2,3],stddev =2))
weights2 = tf.Variable
 
(tf.random_uniform([2,3]))
weights3 = tf.Variable(tf.random_gamma([2,3],alpha =[0.5, 1.5] ))
sess = tf.Session()
'''執行sess.run()前要記得初始化所有的變數：對於constant定義的變數可以不初始化，但是Variable的變數一定要初始化'''
init_ = tf.global_variables_initializer() 
sess.run(init_)
print(sess.run(weights))
print(sess.run(weights1))
print(sess.run
 
(weights2))
print(sess.run(weights3))

TensorFlow也支援常數來初始化一個變數。

1、tf.constant 產生一個給定值的常量
2、tf.zeros(shape，dtype) 產生全為0的陣列
3、tf.ones 產生全為1的陣列
4、tf.fill 產生一個全部為給定數值的陣列

bb1= tf.constant([1])
bb2 = tf.zeros([2,2])
bb3 = tf.ones([2,2])
bb4 = tf.fill([2,2],5)
print(weights)
sess = tf.Session()
'''執行sess.run()前要記得初始化所有的變數：對於constant定義的變數可以不初始化，但是Variable的變數一定要初始化'''
init_ = tf.global_variables_initializer() 
sess.run(init_)
print(sess.run(bb1))
print(sess.run(bb2))
print(sess.run(bb3))
print(sess.run(bb4))

在神經網路中，偏執項(bias)通常會使用常數來設定初始值。

init_ = tf.global_variables_initializer() 
sess.run(init_)
biases = tf.Variable(tf.zeros([2,2]))
sess.run(biases )

前向傳播過程

import tensorflow as tf
#宣告w1，w2兩個變數，這裡還通過seed固定隨機種子，保證每次執行的結果一樣
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed =1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed =1))
#暫時將輸入的特徵向量定義為一個常量。X是一個1*2的矩陣
x = tf.constant([[0.7,0.9]])
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(y))
sess.close()

維度變數是一個重要的屬性，和型別不大一樣，維度在執行中是可能改變的，但是需要設定引數validate_shape =False

w11 = tf.Variable(tf.random_normal([2,3],stddev=1,seed =1))
w22 = tf.Variable(tf.random_normal([3,1],stddev=1,seed =1))
#tf.assign(w11,w22)會報錯，shape不匹配
tf.assign(w11,w22,validate_shape =False)#可以調整