（Tensorflow）op赋值是否会改变梯度计算？

我使用op“assign”来更改变量的值，而不是“=”，但我发现得到的梯度非常不同。有人能告诉我区别和原因吗？谢谢

---

类似于将w=w1更改为op1=tf。分配（w，w1）sess.run（op1）

=

和

tf.assign

是不同的操作

=

是一种python操作，在该操作中，您将python值分配给python变量

tf.assign

是一种Tensorflow操作，它将值分配给变量ref并返回赋值操作

=

在python中执行，不会影响计算图。

tf.assign

是计算图中的一个节点

为了理解，让我们运行这个简单的脚本

import tensorflow as tf

x = tf.Variable(1)
y = tf.Variable(2)

x = y

print(x.name, y.name)

a = tf.Variable(1)
b = tf.Variable(2)

# override a, otherwise a content is 1
a = a.assign(b)
print(a.name, b.name)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run([x, y, a, b]))

打印（x.name，y.name）

输出

变量\u 1:0变量\u 1:0

因为

=

是在python中执行的，并且您已经覆盖了变量

x

print（a.name，b.name）

outputs

Assign:0 Variable\u 3:0

因为您在计算图中定义了赋值运算，现在

a

是赋值运算

运行定义的图形时，您会得到：

[2, 2, 2, 2]

但这些值的计算方式不同：一个是图形中的计算，另一个不是

如果您忘记将

a

分配给使用

tf.assign

创建的assign op（因此您将行

a=a.assign（b）

更改为

a.assign（b）

），那么在计算图形时，您将得到：

[2, 2, 1, 2]

---

非常感谢你的解释。但是你能告诉我op赋值对梯度计算的贡献吗？我真的很困惑，实际上我想在不改变梯度计算的情况下改变变量的值，如果使用得当，它不会改变梯度计算。Tensorflow使用自动微分来计算梯度，因此赋值运算只需在计算图中创建一个包含赋值变量的新节点。如果计算此节点的渐变，它将通过而不做任何更改。通常，如果混淆assign和=ops，您会看到渐变结果的差异，因为您正在弄乱图形节点

w=tf.Variable（weights，name='w'+str（i），dtype='float32'）w1=binary（w）w=w1

如何使用op assign更改此值？（我想使渐变计算相同）谢谢您的回复。二进制类似于

def binary（w）：G=tf.get\u default\u graph（）和G.gradient\u override\u map（{“Sign”：“Identity”}）：E=tf.stop\u gradient（tf.reduce\u mean（tf.abs（w）））返回tf.Sign（w/E）*E

谢谢您的解释。但实际上我想做的是，首先，我建立一个图表，然后改变变量的值，而不改变每个历元的梯度计算。所以你能给我一些建议吗？