Question

我主要在R中开发我的模型，目前我正在学习TensorFlow。我正在阅读以下代码的教程

raw_data = [1., 2., 8., -1., 0., 5.5, 6., 13] 
spike = tf.Variable(False)
spike.initializer.run()

for i in range(1, len(raw_data)): 
    if raw_data[i] - raw_data[i-1] > 5:
        updater = tf.assign(spike, True)
        updater.eval()
    else:
        tf.assign(spike, False).eval()
    print("Spike", spike.eval())
sess.close()

从外行人的角度来看，为什么我需要在TensorFlow中初始化和Variabalize？我知道这可能是一个基本问题，但它是R中没有解决的问题。

Answer 1

让我们看看脚本实际上做了什么：

spike = tf.Variable(False)

此行在计算图中创建符号变量或节点，并使用常量初始值设定项。此时，没有为此变量分配。最重要的是，它还不知道它将放置在哪个设备（CPU或GPU）上。

接下来，

spike.initializer.run()

此行在您已启动的默认会话中运行spike初始值设定项。

请注意，首先，虽然代码完全有效，但在实际应用中并不常见。更常见的是，责任分离：模型在一个或多个源文件中定义，并在另一个或多个文件中执行。初始化在逻辑上属于后者，因为只有在会话开始时，内存才会被分配。

其次，const不是初始化变量的唯一选项。例如，Xavier initializer需要整个图结构来计算传入和传出连接的数量，并推导出它们的标准偏差。如果我们在定义期间尝试初始化变量，它就会失败。

我希望现在的tensorflow设计变得更清晰：初始化器是专用的操作系统。特别是对于你的用例，tensorflow已经发布了eager mode，这是一个命令式的，逐个运行的界面，操作在从Python调用时立即执行。

你可以这样开始：

import tensorflow.contrib.eager as tfe
tfe.enable_eager_execution()

...它会使你从样板文件中解脱出来，如上所述。

为什么我需要在TensorFlow中初始化变量？

1 个答案: