Question

我正在尝试使用Python API为Tensorflow神经网络的权重和值设置特定值。为此，我将所有权重和偏差放在一个公共集合中，并进行适当的重新整形，并在每层的张量上使用 tf.concat 。

在我的代码的某个阶段，我检索所述集合。然而，当我然后尝试 tf.assign （使用相同形状的tf.placeholder）到这些连接的张量时，为了从单个值向量设置所有权重/偏差，例如，坐在feed_dict，然后我得到错误

AttributeError: 'Tensor' object has no attribute 'assign'

我已将问题简化为最小工作示例（MWE），如下所示：

import tensorflow as tf

a=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
b=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
c=tf.concat([a,b], axis=0)

d_all=tf.placeholder(shape=[4], dtype=tf.float32)
d_single=tf.placeholder(shape=[2], dtype=tf.float32)

#e_all=tf.assign(c,d_all)
e_single=tf.assign(a,d_single)

sess=tf.Session()
sess.run(tf.global_variables_initializer())

print(a)
print(d_single)

sess.run(e_single, feed_dict={
    d_single: [1,2]
})

print(c)
print(d_all)

#sess.run(e_all, feed_dict={
#    d_all: [1,2,3,4]
#})

注释掉的行不起作用，并且失败并出现相同的错误。似乎由tf.concat产生的张量不再是变量，因此没有assign属性。我发现了一个相关的问题here，但我的问题并没有像那里建议的那样通过validate_shape解决。

有什么想法吗？这是期望的行为吗？

Answer 1

是的，这是一种设计行为，因为c是操作，而不是变量。这是最简单的版本：

c = a + b
tf.assign(c, a)  # Does not work!

基本上，此图表示节点c通过某些操作（concat，addition，等等）依赖于a和b。将其他值分配给c与来自a和b的值冲突，换句话说，它会破坏计算图。

您应该做的是将d_all拆分为形状[2]的张量，并指定基础a和b。这种方式完全有效。

tf.assign on tf.concat tensor，drop of tensors of tensors？

1 个答案: