循环中的Tensorflow变量初始化

Question

我正在尝试Tensorflow示例：

import tensorflow as tf
x = tf.Variable(0, name='x')
model = tf.global_variables_initializer()
with tf.Session() as session:
    for i in range(5):
        session.run(model)
        x = x + 1
        print(session.run(x))

但输出是出乎意料的。我希望它输出：

1 1 1 1 1

BUt实际输出是：

1 2 3 4 5

这是为什么？ session.run（model）每次都会初始化变量，这个语句是否正确？

Answer 1

  

session.run（model）每次都会初始化变量

这是正确的。问题是每次x = x + 1在图表中创建一个新添加项，这将解释您获得的结果。

第一次迭代后的图表：

第二次迭代后：

第三次迭代后：

第四次迭代后：

第五次迭代后：

我使用的代码，主要取自Yaroslav Bulatov在How can I list all Tensorflow variables a node depends on?中的回答：

import tensorflow as tf

import matplotlib.pyplot as plt
import networkx as nx

def children(op):
  return set(op for out in op.outputs for op in out.consumers())

def get_graph():
  """Creates dictionary {node: {child1, child2, ..},..} for current
  TensorFlow graph. Result is compatible with networkx/toposort"""

  ops = tf.get_default_graph().get_operations()
  return {op: children(op) for op in ops}

def plot_graph(G):
    '''Plot a DAG using NetworkX'''        
    def mapping(node):
        return node.name
    G = nx.DiGraph(G)
    nx.relabel_nodes(G, mapping, copy=False)
    nx.draw(G, cmap = plt.get_cmap('jet'), with_labels = True)
    plt.show()


x = tf.Variable(0, name='x')
model = tf.global_variables_initializer()
with tf.Session() as session:
    for i in range(5):
        session.run(model)
        x = x + 1
        print(session.run(x))

        plot_graph(get_graph())

Answer 2

看来你必须在循环中初始化它

import tensorflow as tf

for i in range(5):
    X = tf.Variable(0, name='x')
    model = tf.global_variables_initializer()
    with tf.Session() as sess:
        sess.run(model)
        X += 1
        print(X.eval())

Answer 3

session.run(model) 

每次都会初始化变量（因为它调用model = tf.global_variables_initializer()）， 但是对于循环中的每个条目，用于初始化的x的值都会增加1。例如，

对于i=0的

，x初始化为其在那个实例中拥有的值，即0。当i=1时，x已增加到1，这是初始化程序将使用的值，依此类推。