Python Tensorflow版本0.12中tf.Variable.ref（）的替代方案是什么？

我正在尝试运行A3C强化学习算法的开放代码来学习A3C

然而，我有几个错误，我可以修复，除了一个。 在代码中，使用了tf.Variable的成员函数（，）的

ref（）

，但在最近的tensorflow版本0.12rc中，该函数似乎被弃用。 因此，我不知道什么是替换它的最佳方法（我不清楚作者为什么使用

ref（）

）。当我刚刚将其更改为变量本身（例如

v.ref（）

更改为

v

）时，没有出现错误，但奖励没有更改。它似乎无法学习，我猜这是因为变量没有正确更新

请告诉我修改代码的正确方法

新方法取代了TensorFlow 0.12及更高版本中的

tf.Variable.ref（）

该方法的用例解释起来有点棘手，其动机是一些缓存行为，这些行为导致在不同设备上多次使用远程变量来使用缓存值。假设您有以下代码：

with tf.device("/cpu:0")
  v = tf.Variable([[1.]])

with tf.device("/gpu:0")
  # The value of `v` will be captured at this point and cached until `m2`
  # is computed.
  m1 = tf.matmul(v, ...)

with tf.control_dependencies([m1])
  # The assign happens (on the GPU) after `m1`, but before `m2` is computed.
  assign_op = v.assign([[2.]])

with tf.control_dependencies([assign_op]):
  with tf.device("/gpu:0"):
    # The initially read value of `v` (i.e. [[1.]]) will be used here,
    # even though `m2` is computed after the assign.
    m2 = tf.matmul(v, ...)

sess.run(m2)

您可以使用

tf.Variable.read_value（）

强制TensorFlow稍后再次读取该变量，它将受到任何控制依赖项的约束。因此，如果您想在计算

m2

时看到赋值的结果，您可以修改程序的最后一块，如下所示：

with tf.control_dependencies([assign_op]):
  with tf.device("/gpu:0"):
    # The `read_value()` call will cause TensorFlow to transfer the
    # new value of `v` from the CPU to the GPU before computing `m2`.
    m2 = tf.matmul(v.read_value(), ...)

（请注意，当前，如果所有操作都在同一个设备上，则不需要使用

read_value（）

，因为TensorFlow在同一设备上用作op的输入时不会复制变量。这可能会导致很多混乱，例如，当您将变量排入队列时！-这也是我们致力于增强变量内存模型的原因之一。）

新方法取代了TensorFlow 0.12及更高版本中的

tf.Variable.ref（）

该方法的用例解释起来有点棘手，其动机是一些缓存行为，这些行为导致在不同设备上多次使用远程变量来使用缓存值。假设您有以下代码：

with tf.device("/cpu:0")
  v = tf.Variable([[1.]])

with tf.device("/gpu:0")
  # The value of `v` will be captured at this point and cached until `m2`
  # is computed.
  m1 = tf.matmul(v, ...)

with tf.control_dependencies([m1])
  # The assign happens (on the GPU) after `m1`, but before `m2` is computed.
  assign_op = v.assign([[2.]])

with tf.control_dependencies([assign_op]):
  with tf.device("/gpu:0"):
    # The initially read value of `v` (i.e. [[1.]]) will be used here,
    # even though `m2` is computed after the assign.
    m2 = tf.matmul(v, ...)

sess.run(m2)

您可以使用

tf.Variable.read_value（）

强制TensorFlow稍后再次读取该变量，它将受到任何控制依赖项的约束。因此，如果您想在计算

m2

时看到赋值的结果，您可以修改程序的最后一块，如下所示：

with tf.control_dependencies([assign_op]):
  with tf.device("/gpu:0"):
    # The `read_value()` call will cause TensorFlow to transfer the
    # new value of `v` from the CPU to the GPU before computing `m2`.
    m2 = tf.matmul(v.read_value(), ...)

---

（请注意，当前，如果所有操作都在同一个设备上，则不需要使用

read_value（）

，因为TensorFlow在同一设备上用作op的输入时不会复制变量。这可能会导致很多混乱，例如，当您将变量排入队列时！-这也是我们致力于增强变量内存模型的原因之一。）

非常感谢您快速而详细的回答。这是非常翔实的，我可以很好地理解。非常感谢您的快速和详细的回答。这本书内容丰富，我能很好地理解。