Question

当我运行以下Tensorflow命令时，我得到不同的结果。谁知道为什么？

import tensorflow as tf

sess = tf.Session()
var = tf.Variable(tf.truncated_normal([1,1], stddev=.1))
sess.run(tf.initialize_all_variables())

print var.eval(session=sess)
print var.initialized_value().eval(session=sess)

产地：

[[-0.12024114]]
[[ 0.04141031]]

Answer 1

正确地worked out，直接评估变量和评估var.initialized_value()之间的区别在于评估var.initialized_value()将重新执行var.initializer，并且 - 作为副作用 - 修改var中存储的值。

这就留下了一个问题：为什么我们有initialized_value？原因是它在根据另一个变量定义一个变量时有所帮助。例如，假设我们要将两个变量初始化为相同的随机值。默认情况下，tf.global_variables_initializer不指定变量初始化的顺序。因此，如果变量的初始值取决于另一个变量的值，则可能会出现错误。以下代码无法可靠地运行：

v1 = tf.Variable(tf.truncated_normal([20, 20]))
v2 = tf.Variable(v1)

init_op = tf.global_variables_initializer()
sess = tf.Session()
# The following line will non-deterministically crash with an error about
# using an uninitialized value.
sess.run(init_op)

相反，您应该根据v2定义v1.initialized_value()。这对初始化程序的执行方式施加了一个顺序，并确保首先初始化v1：

v1 = tf.Variable(tf.truncated_normal([20, 20]))
v2 = tf.Variable(v1.initialized_value())

init_op = tf.global_variables_initializer()
sess = tf.Session()
# The following line will succeed.
sess.run(init_op)

Answer 2

好的 - 很简单。输出不同的原因是initialized_value（）重新运行初始化操作。因此结果不同。

initialized_value（）方法返回用于初始化变量的值（在本例中为随机数）。

我希望在某些操作之后复制变量的值，并将其作为复制变量的方法运行到initialized_value（）方法中。但是，如果要复制初始值，这似乎只是真的。虽然名字听起来很明显......

import tensorflow as tf

sess = tf.Session()
var = tf.Variable([[1.234]])
sess.run(tf.initialize_all_variables())

print var.eval(session=sess)
print var.initialized_value().eval(session=sess)

var.assign_add([[2]]).eval(session=sess)

print var.eval(session=sess)
print var.initialized_value().eval(session=sess)

产生

[[ 1.23399997]]
[[ 1.23399997]]

[[ 3.23399997]]
[[ 1.23399997]]

Tensorflow：var.eval（）与var.initialized_value（）。eval（）

2 个答案: