我试图理解tf.assign和赋值运算符（=）之间的区别。我有三组代码
首先，使用简单的tf.assign
import tensorflow as tf
with tf.Graph().as_default():
a = tf.Variable(1, name="a")
assign_op = tf.assign(a, tf.add(a,1))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print sess.run(assign_op)
print a.eval()
print a.eval()
输出预计为
2
2
2
其次，使用赋值运算符
import tensorflow as tf
with tf.Graph().as_default():
a = tf.Variable(1, name="a")
a = a + 1
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print sess.run(a)
print a.eval()
print a.eval()
结果仍然是2,2,2。
第三，我使用两者 tf.assign和赋值运算符
import tensorflow as tf
with tf.Graph().as_default():
a = tf.Variable(1, name="a")
a = tf.assign(a, tf.add(a,1))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print sess.run(a)
print a.eval()
print a.eval()
现在，输出变为2,3,4。
我的问题是
在使用（=）的第二个片段中，当我有sess.run（a）时，似乎我正在运行一个分配操作。那么“a = a + 1”在内部创建一个赋值操作，如assign_op = tf.assign（a，a + 1）？会话运行的op真的只是assign_op吗？但是当我运行a.eval（）时，它不会继续增加a，因此看起来eval正在评估一个“静态”变量。
我不确定如何解释第3个片段。为什么两个evals增加了一个，但第二个片段中的两个evals没有？
感谢。
答案 0 :(得分：4)
这里的主要困惑是，执行a = a + 1会将Python变量a重新分配给加法运算a + 1的结果张量。另一方面，tf.assign是用于设置TensorFlow变量值的操作。
a = tf.Variable(1, name="a")
a = a + 1
这相当于：
a = tf.add(tf.Variable(1, name="a"), 1)
考虑到这一点：
在使用（=）的第二个片段中，当我有sess.run（a）时，我似乎正在运行一个分配操作。那么＆＃34; a = a + 1＆＃34;在内部创建一个分配操作，如assign_op = tf.assign（a，a + 1）？ [...]
看起来可能如此，但事实并非如此。如上所述，这只会重新分配Python变量。如果没有tf.assign或任何其他更改变量的操作，它将保持值1.每次评估a时，程序将始终计算a + 1 => 1 + 1。
我不确定如何解释第3个片段。为什么这两个版本增加了一个，但第二个片段中的两个版本没有增加？
这是因为在第三个代码段中调用赋值张量上的eval()也会触发变量赋值（请注意，这与使用当前会话执行session.run(a)非常不同）。
答案 1 :(得分：0)
对于代码段1 ：
with tf.Graph().as_default():
a = tf.Variable(1, name="a_var")
assign_op = tf.assign(a, tf.add(a,1,name='ADD'))
b = tf.Variable(112)
b = b.assign(a)
print(a)
print(b)
print(assign_op)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print (sess.run(a))
print ("assign_op : ",sess.run(assign_op))
print(" b :- ",b.eval())
print (sess.run(a))
print (sess.run(a))
print ("assign_op : ",sess.run(assign_op))
print (sess.run(a))
print (sess.run(a))
writer = tf.summary.FileWriter("/tmp/log", sess.graph)
writer.close()
此代码段1的o / p：
<tf.Variable 'a_var:0' shape=() dtype=int32_ref>
Tensor("Assign_1:0", shape=(), dtype=int32_ref)
Tensor("Assign:0", shape=(), dtype=int32_ref)
1
assign_op : 2
b :- 2
2
2
assign_op : 3
3
3
have a look at tensorboard's computational graph
要点：
对于代码段2 ：see computational graph, you'll get the idea （请注意，没有用于分配操作的节点）
with tf.Graph().as_default():
a = tf.Variable(1, name="Var_a")
just_a = a + 1
print(a)
print(just_a)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print (sess.run(a))
print (sess.run(a))
print ("just_a : ",sess.run(just_a))
print (sess.run(a))
print (sess.run(a))
print ("just_a : ",sess.run(just_a))
print (sess.run(a))
print (sess.run(a))
writer = tf.summary.FileWriter("/tmp/log", sess.graph)
writer.close()
代码段2的o / p：
enter code here
<tf.Variable 'Var_a:0' shape=() dtype=int32_ref>
Tensor("add:0", shape=(), dtype=int32)
1
1
just_a : 2
1
1
just_a : 2
1
1
对于代码段3 ：Computational graph
with tf.Graph().as_default():
a = tf.Variable(1, name="Var_name_a")
a = tf.assign(a, tf.add(a,5))
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print (sess.run(a))
print (sess.run(a))
print (" a : ",sess.run(a))
print (sess.run(a))
print (sess.run(a))
print (" a : ",sess.run(a))
print (sess.run(a))
print (sess.run(a))
writer = tf.summary.FileWriter("/tmp/log", sess.graph)
writer.close()
o / p for snippet 3：
enter code here
6
11
a : 16
21
26
a : 31
36
41
现在，如果你看看这个片段的计算图，它看起来与片段1的计算图相似/完全相同。但这里的问题是代码a = tf.assign（a，tf.add（a，5）），而不是只更新变量＆＃39; a＆＃39;但也创造了另一个张量＆＃39; a＆＃39;再次。
现在刚刚创建了＆＃39; a＆＃39;将由
使用print (sess.run(a))
这个＆＃39; a＆＃39;将是a = tf.assign（a，tf.add（a，5））
＆＃39; a＆＃39;来自tf.add（a，5）只不过是＆＃39;（= 1）=＆gt; a = tf.Variable（1，name =＆＃34; Var_name_a＆＃34;）...所以5 + 1 = 6被分配给原始＆＃39; a＆＃39;而这个原创的＆＃39; a＆＃39;被分配给新的＆＃39; a。
我还有一个例子可以同时解释这个概念
enter code here
with tf.Graph().as_default():
w = tf.Variable(10,name="VAR_W") #initial val = 2
init_op = tf.global_variables_initializer()
# Launch the graph in a session.
with tf.Session() as sess:
# Run the variable initializer.
sess.run(init_op)
print(w.eval())
print(w) #type of 'w' before assign operation
#CASE:1
w = w.assign(w + 50)#adding 100 to var w
print(w.eval())
print(w) #type of 'w' after assign operation
# now if u try => w = w.assign(w + 50), u will get error bcoz newly
created 'w' is considered here which don't have assign attribute
#CASE:2
w = tf.assign(w, w + 100) #adding 100 to var w
print(w.eval())
#CASE:3
w = tf.assign(w, w + 300) #adding 100 to var w
print(w.eval())
writer = tf.summary.FileWriter("/tmp/log", sess.graph)
writer.close()
以上代码段的o / p：
10
<tf.Variable 'VAR_W:0' shape=() dtype=int32_ref>
60
Tensor("Assign:0", shape=(), dtype=int32_ref)
210
660
答案 2 :(得分：0)
首先，anwser并不十分精确。 IMO，在python对象和tf对象之间没有区别。它们都是由python GC管理的内存对象。
如果将第二个a更改为b，并打印出var，
In [2]: g = tf.Graph()
In [3]: with g.as_default():
...: a = tf.Variable(1, name='a')
...: b = a + 1
...:
In [4]: print(a)
<tf.Variable 'a:0' shape=() dtype=int32_ref>
In [5]: print(b)
Tensor("add:0", shape=(), dtype=int32)
In [6]: id(a)
Out[6]: 140253111576208
In [7]: id(b)
Out[7]: 140252306449616
a和b不在内存中引用同一对象。
绘制计算图或内存图
第一行
# a = tf.Varaible(...
a -> var(a)
第二行
# b = a + 1
b -> add - var(a)
|
\-- 1
现在，如果将其替换回b = a + 1至a = a + 1，则分配操作后的a指向tf.add对象，而不是变量{{1} }增加1。
运行a时，您将通过该sess.run运算符获取结果，而对原始add变量没有副作用。
a将具有在会话下更新图状态的副作用。