Python 为什么我们需要“我们需要什么？”；分配；在TensorFlow中？

我正在看一个例子。我看到了以下操作顺序：

将tensorflow导入为tf
v1=tf.get_变量（“v1”，shape=[3]，初始值设定项=tf.zeros_初始值设定项）
inc_v1=v1.分配（v1+1）
init_op=tf.global_variables_initializer（）
s=tf.Session（）
s、 运行（初始操作）
s、 运行（inc_v1）

因此，我们得到：

数组（[1,1,1.]，dtype=float32）

我不理解“分配”操作背后的逻辑。特别是，我用一些看起来简单得多的东西取代了它：

将tensorflow导入为tf
v1=tf.get_变量（“v1”，shape=[3]，初始值设定项=tf.zeros_初始值设定项）
inc_v1=v1+1
init_op=tf.global_variables_initializer（）
s=tf.Session（）
s、 运行（初始操作）
s、 运行（inc_v1）

---

我得到了完全相同的结果。那么，我们为什么需要赋值呢？

当您想要赋值一个不是来自图形的值时，您需要赋值

它接受您的原始张量和一个新张量，用一个新值更新您的张量的原始值，并返回您的原始张量的引用。请看在Tensorboard上生成的图形：

操作

assign

返回对原始张量的引用：

如果没有

assign

，只需创建另一个张量来添加常量值：

---

如果您打印张量

v1

（在运行

inc_v1

后）的计算结果，它将输出

[1.1.1.]

，作为操作的结果，并将其重新分配给原始张量。在第二种情况下，它将保持为

[0.0.0.]

该示例确实不是很好的说明性。重要的一点是

assign

将给定的值保存到会话中的变量中，以便稍后在调用

run

时使用它。请看这里：

import tensorflow as tf

v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
inc_v1 = v1.assign(v1+1)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    sess.run(inc_v1)
    print(sess.run(v1))
    # [1. 1. 1.]
    sess.run(inc_v1)
    print(sess.run(v1))
    # [2. 2. 2.]

注意

v1

保存分配的值，因此在进一步调用

run

时可以使用它。现在比较：

import tensorflow as tf

v1 = tf.get_variable("v1", shape=[3], initializer = tf.zeros_initializer)
inc_v1 = v1+1
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    sess.run(inc_v1)
    print(sess.run(v1))
    # [0. 0. 0.]
    sess.run(inc_v1)
    print(sess.run(v1))
    # [0. 0. 0.]

在这里，增量发生在对

run

的一次调用中，但其结果从未保存在任何位置，并且

v1

保持值

[0.0.0.]

---

变量很重要，因为TensorFlow中的大多数事情都是在几个步骤上完成的，例如，神经网络中的每个批次。每一步都是对

运行的调用

，重要的是要将一步中对模型的更改（例如，神经网络中权重的更新）保存到下一步，否则您将原地运行，永远不会离开起点

你说的“来自图表”是什么意思？要设置“inc_v1”的值，我们使用“v1”。在这种情况下，我们能说这个值来自一个图表吗？@Roman是的。不来自图形的示例包括来自不同图形、文件、用户输入等的内容。我更新了答案，并在最后做了一些解释；）