Question

我想知道以下两段代码之间的区别是什么：

import tensorflow as tf
x = tf.Variable(0, name='x')
model = tf.initialize_all_variables()
with tf.Session() as session:
    for i in range(5):

        session.run(model)
        x = x + 1

        print(session.run(x))

import tensorflow as tf
x = tf.Variable(0, name='x')
model = tf.initialize_all_variables()
with tf.Session() as session:
    for i in range(5):

        x = x + 1
        session.run(model)

        print(session.run(x))

唯一的区别是＆＃34; x = x + 1＆＃34;和＆＃34; session.run（模型）＆＃34;。我认为它会对输出产生很大的影响，因为session.run（model）会初始化所有变量。但是，这两个代码块输出相同的东西......

代码是从教程中复制的：http://learningtensorflow.com/lesson2/

Answer 1

是的，这里有点棘手。 Tensorflow的一个重要概念是延迟评估，这意味着首先构建节点的Tensorflow图，并且仅在session.run上对图进行评估。

对于这行代码x = x + 1，这里的x是Tensor类型，而这里的+是重载的tf.add，所以x = x + 1实际上构建了图形，没有计算发生;并且在每次迭代时，图形（在这种情况下为二叉树）添加一个层（一个嵌套的和）。 session.run（model）将始终将x初始化为0，session.run（x）将根据到目前为止在该迭代中构造的图计算x。例如，在迭代4中，x被加1，持续4次，因为此迭代中的图形有4个嵌套和（或层）。

如果这对你有意义，我认为＆＃34;两个代码基本相同＆＃34;也会有意义。

注意：严格来说，在第一次迭代中，右侧的x是Variable类型，但这些是细节，而不是我试图制作的主要观点......

关于＆＃34; tensorflow.initialize_all_variables（）＆＃34;

1 个答案: