Question

我正在练习TensorFlow基本命令，并开始使用tf.transpose函数。我遇到了一种我无法解释的怪异行为。如果我运行此代码段：

with tf.Session() as test:
...:     tf.set_random_seed(1)
...:     A = tf.random_normal([2,3],mean=1,stddev=4)
...:     B = tf.transpose(A)
...:     print("A=" + str(A.eval()))
...:     print("B=" + str(B.eval()))

我得到这样的印刷品：

A=[[ 0.59019732 -0.68919742  3.13932252]
   [-2.62436795  1.91452241  6.34897995]]
B=[[ 10.35036469  -0.78370452]
   [  2.15025043   5.39917326]
   [  3.15622997  -4.52096176]]

B值来自哪里？如果我运行相同的但是将A张量初始化为一个常数值，整数张量，我看到转置符合预期......我在哪里错了？

编辑：使用下面接受的答案提供的解决方法（谢谢！），当代码片段被修改时，这可以正常工作：

with tf.Session() as test:
...:     tf.set_random_seed(1)
...:     A = tf.random_normal([2,3],mean=1,stddev=4)
...:     B = tf.transpose(A)
...:     print(test.run([A,B]))

Answer 1

tensorflow分组功能，每当请求运行时，它都会运行该运行所需的所有操作。

现在，当您第一次执行A.eval()时，tensorflow会发现需要使用随机数对其进行初始化，以便输出答案并执行此操作。现在，当它看到B.eval()时，它会发现它需要A的值来评估B，并且它需要使用随机变量初始化A，因此，第二次运行时，不同的随机变量被分配给A。

要解决此问题，请在一次运行中同时评估A和B

A_out, B_out = sess.run([A, B])

Tensorflow转置随机生成的张量

1 个答案: