Question

我不确定下面4种变体之间的实际差异（它们都评估为相同的值）。我的理解是，如果我致电select a.id, a.total_price, a.order_id, c.id from (select *, row_number over (partition by order_id order by id) as rn from a) a join b on a.order_id = b.id join (select id, order_id, row_number over (partition by order_id order by id) as rn from c) on b.id = c.order_id where a.rn = c.rn，将在图表上创建操作，否则可能。如果我不在开头创建tf，我相信在添加时会隐式创建常量;但对于tf.constant() vs tf.add(a,b)，其中a + b和a都是张量（＃1和＃3），除了默认命名之外我没有看到任何区别（前者是{{ 1}}而后者是b）。任何人都可以了解它们之间的差异，何时应该使用它们？

Add

Answer 1

您给出的四个示例都会给出相同的结果，并生成相同的图形（如果忽略图形中的某些操作名称不同）。 TensorFlow将许多不同的Python对象转换为tf.Tensor对象，当它们作为参数传递给TensorFlow运算符时，例如tf.add()。 +运算符只是tf.add()上的一个简单包装器，当左侧或右侧参数为tf.Tensor（或tf.Variable）时使用重载

鉴于您可以将许多Python对象传递给TensorFlow运算符，为什么要使用tf.constant()？有几个原因：

如果您使用相同的Python对象作为多个不同操作的参数，TensorFlow会将其多次转换为张量，并代表图中的每个张量。因此，如果您的Python对象是一个大型NumPy数组，如果您为该数组的数据制作了太多副本，则可能会耗尽内存。在这种情况下，您可能希望将数组转换为tf.Tensor一次
显式创建tf.constant()允许您设置其name属性，这对TensorBoard调试和图形可视化非常有用。（注意，默认的TensorFlow操作将尝试根据op参数的名称为每个自动转换的张量提供有意义的名称。）
明确地创建tf.constant()可以设置张量的确切元素类型。 TensorFlow会将Python int对象转换为tf.int32，将float对象转换为tf.float32。如果您需要tf.int64或tf.float64，可以通过将相同的值传递给tf.constant()并传递明确的dtype参数来获得此结果。
在创建具有重复值的大张量时，tf.constant()函数还提供了一个有用的功能：
```
c = tf.constant(17.0, shape=[1024, 1024], dtype=tf.float32)
```
上面的张量c表示4 * 1024 * 1024字节的数据，但TensorFlow将在图中紧凑地表示为单个浮点17.0以及指示应如何解释它的形状信息。如果图表中有许多大的填充常量，那么以这种方式创建它们会更有效。

Answer 2

他们都是一样的。

python - a + b中的'+'由tensorflow捕获，实际上生成与tf.add（a，b）相同的操作。

tf.conctant允许您更具体，例如定义创建的张量的形状，类型和名称。但是，tensorflow再次拥有你的例子中的“a”a = 1，它等同于tf.constant（1）（在这种情况下将常量视为int值）

Answer 3

结果是相同的，因为add的重载__add__或+在其操作数上调用tf.convert_to_tensor。

tf.add(a + b)和a + b之间的区别在于前者使您能够使用name参数为操作命名。相反，后者并没有给你这种能力，也使得在Tensorflow环境中计算由Python解释器而不是在它之外完成。

如果（且仅当）a和b都不是Tensor个对象，则会发生这种情况，因此Tensorflow将不参与计算。

TensorFlow简单操作：张量与Python变量

3 个答案: