Question

我学习Tensor流程并尝试将每个迭代持续时间捕获到摘要变量中。我已将其识别为一个特殊问题，我在下面的代码中总结了这个问题

1）定义张量（捕捉开始/结束时间）

t = tf.Variable(0.0, tf.float64)

2）在每次迭代时运行迭代和输出时间

with tf.Session() as sess:
    sess.run(tf.variables_initializer(tf.global_variables()))
    for i in range(20):
        _ = time.time()
        sess.run(tf.assign(t,_)) #update 't' tensor value to start time
        print("time_1: {}, time_2_tensor: {} ".format(_,sess.run(t)))

当我运行代码时，我想知道为什么 time_1 之间的差异很大（4-5秒） time_2_tensor 值。这里的输出（time_1似乎更正确，并且想知道为什么time_2_tensor看起来是未来的时间和所有相同的价值！

time_1：1510622147.797711，time_2_tensor：1510622208.0

time_1：1510622147.823721，time_2_tensor：1510622208.0

time_1：1510622147.846073，time_2_tensor：1510622208.0

time_1：1510622147.872359，time_2_tensor：1510622208.0

time_1：1510622147.893345，time_2_tensor：1510622208.0

time_1：1510622147.913889，time_2_tensor：1510622208.0

time_1：1510622147.94033，time_2_tensor：1510622208.0

time_1：1510622147.960254，time_2_tensor：1510622208.0

time_1：1510622147.98226，time_2_tensor：1510622208.0

time_1：1510622148.007267，time_2_tensor：1510622208.0

time_1：1510622148.045414，time_2_tensor：1510622208.0

time_1：1510622148.072437，time_2_tensor：1510622208.0

time_1：1510622148.104469，time_2_tensor：1510622208.0

time_1：1510622148.124364，time_2_tensor：1510622208.0

time_1：1510622148.143735，time_2_tensor：1510622208.0

time_1：1510622148.161832，time_2_tensor：1510622208.0

time_1：1510622148.179756，time_2_tensor：1510622208.0

time_1：1510622148.216838，time_2_tensor：1510622208.0

time_1：1510622148.235228，time_2_tensor：1510622208.0

time_1：1510622148.254686，time_2_tensor：1510622208.0

非常感谢您对此有任何见解！

Answer 1

在声明变量（它取代参数trainable时，至少在v1.4中）并且变为float32时，不会考虑您的数据类型，这会导致精确问题。

如果您添加关键字dtype。

，则此功能正常

t = tf.Variable(0.0, dtype=tf.float64)

＆＃39;实验＆＃39;：

t_bad = tf.Variable(0.0, tf.float64)
t = tf.Variable(0.0, dtype=tf.float64)

print(t_bad.dtype)  # <dtype: 'float32_ref'>
print(t.dtype)  # <dtype: 'float64_ref'>

使用tf.assign（）

1 个答案: