Question

在tensorflow中，Variable是一个资源，继承自ResourceBase并由ResourceMgr管理。但为什么还有另一个名为ResourceVariable的东西？它们都可以用于gradient_descent等优化器（请参阅此example）。有什么区别？我知道前者有很好的记录并且最常用。什么是后者的目的是什么？

Answer 1

ResourceVariable是Variable的替代品，旨在清除Variable语义的一些混乱方面。

ResourceVariable是TF 2.0中的默认值，除非您正在处理Tensorflow实现中的详细信息，否则您很可能不关心两者之间的差异。启用急切执行时tf.Variable也会创建资源变量。

所以现在只使用tfVariable，这几乎可以肯定你想要的;如果您遇到类似竞争条件的问题或代码中变量值不一致的错误，您可以尝试启用资源变量（通过将use_resource=True传递给您的变量创建代码或在TF 1中调用tf.enable_resource_variables()。 x）的

Answer 2

来自评论：

与tf.Variable不同，tf.ResourceVariable具有明确定义的语义。 TensorFlow图中ResourceVariable的每次使用都会增加一个对图表的read_value操作。由...返回的Tensors read_value操作保证看到所有修改在任何操作中发生的变量的值 read_value取决于（直接，间接或通过控件依赖）并保证不会看到对值的任何修改 read_value操作不依赖的变量。例如，如果有一个以上的分配 ResourceVariable在单个session.run调用中有一个定义明确的每个操作的值，如果使用变量的值赋值和读取由图中的边连接。考虑以下示例中，两次写入可能导致tf.Variable和 tf.ResourceVariable行为不同：

a = tf.ResourceVariable(1.0)
a.initializer.run()
assign = a.assign(2.0)
with tf.control_dependencies([assign]):
    b = a.read_value()
with tf.control_dependencies([b]):
    other_assign = a.assign(3.0)
with tf.control_dependencies([other_assign]):
    # Will print 2.0 because the value was read before other_assign ran. If
    # `a` was a tf.Variable instead, 2.0 or 3.0 could be printed.
    tf.Print(b, [b]).eval()

强制执行这些一致性属性tf.ResourceVariable可能制作更多的副本而不是等同的tf.Variable在引擎盖下，所以 tf.Variable仍未被弃用。

Tensorflow中Variable和ResourceVariable之间的区别是什么

2 个答案: