Tensorflow：按名称获取张量与按名称获取操作的区别？

答案是一个返回一个运算，而另一个返回一个张量。从名称和文档中可以明显看出这一点。但是，假设我执行以下操作：

logits = tf.add(tf.matmul(inputs, weights), biases, name='logits')

---

我遵循中描述的模式。我应该把它恢复为一个运算还是一个张量？我担心，如果我把它恢复为张量，我只会得到logits的最后计算值；尽管如此，这篇文章似乎暗示没有区别，或者我应该使用

get\u tensor\u by\u name

。其思想是计算一组新输入的logit，然后做出相应的预测。

简短回答：您可以同时使用，

get\u operation\u by\u name（）

和

get\u tensor\u by\u name（）

。长答覆：

tf.操作

当你打电话的时候

op = graph.get_operation_by_name('logits')

。。。它返回类型的实例，该实例是计算图中的一个节点，它对其输入执行一些操作并生成一个或多个输出。在本例中，它是一个

加上
操作

您可以在会话中始终评估op，如果此op需要输入一些placehoder值，引擎将强制您提供这些值。某些操作（例如读取变量）没有任何依赖关系，可以在没有占位符的情况下执行

在您的情况下，（我假设）
logits
是从输入占位符
x
计算的，因此
logits
没有特定的
x
就没有任何值

tf.张量
另一方面，打电话

tensor = graph.get_tensor_by_name('logits:0')

。。。返回一个对象
张量
，其类型为：

表示
操作的一个输出

张量
是
操作
输出之一的符号句柄。
它不保存该操作的输出值，而是
提供在TensorFlow
tf.Session
中计算这些值的方法

因此，换句话说，张量求值与操作执行相同，并且上述所有限制也适用

为什么
张量
有用？一个
张量
可以作为输入传递给另一个
操作
，从而形成图形。但是在您的例子中，您可以假设两个实体的含义相同。
那么
：0
？@cmcdragokai很好，命名也有点不同。看见