Question

我使用op＆＃34;分配＆＃34;更改变量的值而不是＆＃34; =＆＃34;，但我发现我得到的渐变是完全不同的。谁能告诉我差异和原因？谢谢！比如改变 w = w1 到 op1 = tf.assign（w，w1）sess.run（op1）

Answer 1

=和tf.assign是不同的操作。

=是 python 操作，在其中为python变量指定python值

tf.assign是一个Tensorflow操作，它将值赋给变量ref并返回赋值操作。

=在python中执行，不会影响计算图。 tf.assign是计算图中的一个节点。

要理解，让我们运行这个简单的脚本

import tensorflow as tf

x = tf.Variable(1)
y = tf.Variable(2)

x = y

print(x.name, y.name)

a = tf.Variable(1)
b = tf.Variable(2)

# override a, otherwise a content is 1
a = a.assign(b)
print(a.name, b.name)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run([x, y, a, b]))

print(x.name, y.name)输出Variable_1:0 Variable_1:0

因为=在python中执行而你已经覆盖了变量x。

print(a.name, b.name)输出Assign:0 Variable_3:0，因为您在计算图中定义了分配操作，现在a是分配操作。

运行定义的图表时，您会得到：

[2, 2, 2, 2]

但是这些值的计算方式不同：一个是图中的计算，其他是否。

如果您忘记将a分配给使用tf.assign创建的分配操作（因此您将行a = a.assign(b)更改为a.assign(b)），那么当你评估图表时，你会得到：

[2, 2, 1, 2]

（Tensorflow）op assign是否改变了梯度计算？

1 个答案: