为什么我们需要在TensorFlow中使用"assign“？
为什么我们需要在TensorFlow中使用"assign“？
提问于 2019-02-21 22:39:23
我正在经历一个示例here。我看到了以下的操作顺序：
import tensorflow as tf
v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
inc_v1 = v1.assign(v1+1)
init_op = tf.global_variables_initializer()
s = tf.Session()
s.run(init_op)
s.run(inc_v1)结果，我们得到了：
array([1., 1., 1.], dtype=float32)我不明白"assign“操作背后的逻辑。特别是，我已经将其替换为在我看来简单得多的东西：
import tensorflow as tf
v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
inc_v1 = v1 + 1
init_op = tf.global_variables_initializer()
s = tf.Session()
s.run(init_op)
s.run(inc_v1)我得到了完全相同的输出。那么，为什么我们需要赋值呢？
回答 3
Stack Overflow用户
发布于 2019-02-21 23:02:40
它接受你的原始张量和一个新的张量，用一个新值更新你的张量的原始值，并返回你的原始张量的引用。看看Tensorboard上生成的图表：
操作assign返回对原始张量的引用：
如果没有assign，只需创建另一个张量来添加常量值：
如果打印张量v1的求值(在运行inc_v1之后)，它会输出[1. 1. 1.]，因为操作的结果是它被重新分配给了原始张量。在第二种情况下，它将保持为[0. 0. 0.]。
Stack Overflow用户
发布于 2019-02-21 23:19:33
这个例子确实不是很有说明性。重要的是，assign将给定值保存到会话内的变量中，以便稍后在下一次调用run时使用它。请看这里：
import tensorflow as tf
v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
inc_v1 = v1.assign(v1+1)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
sess.run(inc_v1)
print(sess.run(v1))
# [1. 1. 1.]
sess.run(inc_v1)
print(sess.run(v1))
# [2. 2. 2.]注v1保存了赋值，因此在进一步调用run时可以使用它。现在比较：
import tensorflow as tf
v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
inc_v1 = v1+1
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
sess.run(inc_v1)
print(sess.run(v1))
# [0. 0. 0.]
sess.run(inc_v1)
print(sess.run(v1))
# [0. 0. 0.]在这里，递增发生在对run的一次调用中，但是它的结果从未保存在任何地方，并且v1仍然具有值[0. 0. 0.]。
变量很重要，因为TensorFlow中的大多数事情都是在几个步骤中完成的，例如，神经网络中的每一批处理。每一步都是对run的调用，重要的是要保存一个步骤中对模型的更改(例如，对神经网络中权重的更新)以供下一步使用-否则您将在适当的位置运行，永远不会离开起点！
Stack Overflow用户
发布于 2019-02-21 22:56:58
如果要赋值的值不是来自图表，则需要赋值
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/54809628
复制相关文章
相似问题