Question

我正在关注tensorflow教程进行一些测试。在官方tutorial的变量部分中，有一个代码片段，指示如何使用tensorflow来实现计数器。我改变了一点，结果改变如下。但是，我不知道背后的逻辑。

我更改的代码的具体行是state = tf.add(state, one)。我想在调用sess.run(state)时，add操作应该多次执行，产生结果0 1 2 3。但是，它仍然是1 1 1 1。有什么解释吗？

import tensorflow as tf
state = tf.Variable(0, name="counter")
one = tf.constant(1)
state = tf.add(state, one)
init_op = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(state))
    for _ in range(3):
        print(sess.run(state))

输出

后续行动

import tensorflow as tf
state = tf.Variable(0, name="counter")
one = tf.constant(1)
new_value = tf.add(state, one)
state = tf.assign(state, new_value) ## <== (1)
#state = tf.add(0, new_value) ## <== (2)

init_op = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init_op)
    for _ in range(4):
        print(state.eval())

如果使用行(1)但不使用(2)，则结果为1 2 3 4;

如果使用行(2)但不使用(1)，则结果为1 1 1 1;

为什么？

Answer 1

结果确实是正确的。

定义时

state = tf.Variable(0, name="counter")
one = tf.constant(1)
state = tf.add(state, one)

您正在定义有序操作的图表，例如：

state = 0
one = 1
州=州+一

图表定义后，state保留图表的最后一个操作，而不是tf.add(state, one)的数值。

因此，当您在循环中运行sess.run(state)时，您要求Tensorflow多次运行您创建的图形，但操作图形将始终相同，因此结果始终相同。 / p>

随访

好的，让我们看看您提供的代码在(1)和(2)两种情况下发生了什么。

import tensorflow as tf
state = tf.Variable(0, name="counter")
one = tf.constant(1)
new_value = tf.add(state, one)
state = tf.assign(state, new_value) ## <== (1)
#state = tf.add(0, new_value) ## <== (2)

init_op = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init_op)
    for _ in range(4):
        print(state.eval())

情景（1）

在这种情况下，您要拨打state.eval() 4次。什么是国家？好吧，它是一个变量，因为您之前已将其初始化为：

state = tf.Variable(0, name="counter")

然后使用第（1）行state = tf.assign(state, new_value)，您正在做的是为此变量赋值。 documentation for tf.assign()表示它返回相同的变量，因此在行（1）状态仍然是与之前相同的变量之后，现在只有它具有值new_value。那么new_value是什么？它只是在state中定义的变量new_value = tf.add(state, one)中添加1的结果。

现在我们可以看到如果你四次评估state会发生什么：

迭代0：

state的初始值为0
new_value是一个定义state + 1的操作，因此在评估时它的值为1.
使用tf.assign，您将state设置为new_value的值，现在为1。
print(state.eval())打印1，因为这是state的当前值。

迭代1：

state为1。
state具有相同的new_value值。
由于new_value为state + 1，现在它的值为2.
print(state.eval())打印2，因为这是state的当前值。

迭代2：

state为2。
...

情景（2）

这里发生的是你正在覆盖初始state这是一个具有操作tf.add的张量流变量，因此代码不再按照您的预期进行操作。让我解释一下。

首先state是一个变量，其值0初始化为：

state = tf.Variable(0, name="counter")

和new_value是定义state + 1的操作，因此在评估时它的值为1。然后，通过将state分配给操作tf.add(0, new_value)来覆盖new_value。为什么这很重要？好吧，因为state取决于state，是的，但是在覆盖它之前它取决于state的内容，所以它使用了＆＃34; old＆＃34; 0这是一个值为state.eval()的变量。

因此，当您致电tf.add(0, new_value)四次时，您正在评估1四次，其结果始终为new_value，因为1始终为state，作为＆＃34; old＆＃34;的价值from item in xdoc.Descendants("Setting")没有改变。

为什么以下Tensorflow代码会产生显示的结果？

1 个答案:

随访