在tensorflow中，tf.add和运算符（+；）之间有什么区别？

在tensorflow教程中，我看到了两种代码，如

tf.add（tf.matmul（X，W），b）

和

tf.matmul（X，W）+b

，使用数学函数

tf.add（）

，

tf.assign（）

等与运算符

+/code>和
=/code>等在精度或其他方面有什么区别
 在
a+b
和
tf之间精度没有差异。添加（a，b）
。前者转换为
a.\uuu add\uu（b）
，通过in-math\u ops.py映射到
tf.add

\u覆盖NaryOperatorHelper（gen\u math\u ops.add，“add”）

唯一的区别是基础图中的节点名是
add
，而不是
add
。您通常可以通过如下方式查看底层的图形表示来进行比较

tf.reset_default_graph()
dtype = tf.int32
a = tf.placeholder(dtype)
b = tf.placeholder(dtype)
c = a+b
print(tf.get_default_graph().as_graph_def())

您还可以通过检查
\uuuuu添加\uuuu
方法直接看到这一点。因为它是一个闭包，所以有一个额外的间接层，但是您可以得到如下的底层函数

real_function = tf.Tensor.__add__.im_func.func_closure[0].cell_contents
print(real_function.__module__ + "." + real_function.__name__)
print(tf.add.__module__ + "." + tf.add.__name__)

您将看到下面的输出，这意味着它们调用相同的底层函数

tensorflow.python.ops.gen_math_ops.add
tensorflow.python.ops.gen_math_ops.add

您可以从
tf.Tensor.OVERLOADABLE_运算符
中看到，以下Python特殊方法可能会被相应的TensorFlow版本重载

{'__abs__',
 '__add__',
 '__and__',
 '__div__',
 '__floordiv__',
 '__ge__',
 '__getitem__',
 '__gt__',
 '__invert__',
 '__le__',
 '__lt__',
 '__mod__',
 '__mul__',
 '__neg__',
 '__or__',
 '__pow__',
 '__radd__',
 '__rand__',
 '__rdiv__',
 '__rfloordiv__',
 '__rmod__',
 '__rmul__',
 '__ror__',
 '__rpow__',
 '__rsub__',
 '__rtruediv__',
 '__rxor__',
 '__sub__',
 '__truediv__',
 '__xor__'}

这些方法如中所述：模拟数值类型。请注意，Python数据模型不提供重载赋值运算符的方法，因此赋值始终使用本机Python实现。
Yaroslav很好地解释了这两者之间没有真正的区别。当使用
tf时，我将只添加。添加
是有益的

有一个重要参数，即
名称
。它允许您在tensorboard中可见的图形中命名操作。所以我的经验法则是，如果在tensorboard中命名一个操作是有益的，我会使用
tf.
equired，否则我会力求简洁并使用重载版本

a = [1,1,1,1]
b = [1,1,1,1]
w = tf.add(a, b)


with tf.Session() as sess:
    p = sess.run(w)
    print(p)

a+b

现在，
p
打印的值将是
[2,2,2,2]
，而简单的
a+b
打印的值将是
[1,1,1,1,1,1,1,1,1]
，那么为什么要定义这些tensorflow方法呢？@Hossein，因为我们谷歌喜欢额外的。可能的重复