TensorFlow变量与TensorFlow张量的实现差异

首先，我知道有人提出了一个相关的问题

然而，这个问题是关于实现和内部的。 我在看报纸。这里引用了以下两点：

一,

张量本身不在内存中保存或存储值，但提供 仅用于检索张量引用的值的接口

这对我来说意味着，张量是一个简单地存储指向操作结果的指针的对象，在检索张量的结果或值时，它只是取消对该指针的引用

二,

变量可以描述为存储张量的内存缓冲区中的持久、可变句柄。因此，变量具有一定的形状和固定的类型

在这一点上，我感到困惑，因为基于上一点，我认为张量只是存储一个指针。如果它们只是指针，那么它们也可以是可变的

确切地说，我的问题如下：

“内存缓冲区”是什么意思

“把手”是什么意思

我最初关于张量内部的假设正确吗

张量和变量之间本质上的内部实现差异是什么？为什么它们的声明不同，为什么这种差异对TensorFlow至关重要

---

在解释张量和变量之间的区别之前，我们应该明确“张量”一词在TensorFlow上下文中的含义：

• 在Python API中，对象表示TensorFlow操作的符号结果。例如，在表达式

  t=tf.matmul（x，y）

  中，

  t

  是表示乘以

  x

  和

  y

  的结果的

  tf.Tensor

  对象（其本身可能是其他操作的符号结果、具体值，例如NumPy数组或变量）
  在这种情况下，“符号结果”比指向操作结果的指针更复杂。它更类似于一个函数对象，当调用它时（即传递给

  tf.Session.run（）

  ）将运行必要的计算以生成该操作的结果，并将其作为具体值返回给您（例如NumPy数组）

• 在C++API中，对象表示多维数组的具体值。例如，

  MatMul

  内核将两个二维

  tensorflow:：Tensor

  对象作为输入，并生成一个二维

  tensorflow:：Tensor

  对象作为输出

这种区别有点令人困惑，如果从头开始，我们可能会选择不同的名称（在其他语言API中，对于符号结果，我们更喜欢名称

Output

，对于具体值，我们更喜欢名称

Tensor

）

变量也存在类似的区别。在pythonapi中，a是变量的符号表示形式，它具有用于创建读取变量当前值并为其赋值的操作的方法。在C++实现中，对象是一个共享的、可变的对象.< /P>的包装器。 在这种背景下，我们可以解决您的具体问题：

内存缓冲区是什么意思？

内存中的缓冲区只是一个连续的内存区域，它是由TensorFlow分配器分配的

tensorflow:：Tensor

对象包含指向内存中缓冲区的指针，该缓冲区保存该张量的值。缓冲区可以位于主机内存（即可从CPU访问）或设备内存（例如仅可从GPU访问）中，TensorFlow具有在这些内存空间之间移动数据的操作

把手是什么意思？

在中的解释中，“句柄”一词有几种不同的用法，这与TensorFlow使用该术语的方式略有不同。本文使用“符号句柄”表示

tf.Tensor

对象，使用“持久、可变句柄”表示

tf.Variable

对象。TensorFlow代码库使用“handle”来表示有状态对象的名称（如

tf.FIFOQueue

或

tf.TensorArray

），无需复制所有值（即）

我最初关于张量内部的假设正确吗？

您的假设与（C++）

tensorflow:：Tensor

对象的定义最为匹配。（Python）

tf.Tensor

对象更复杂，因为它指的是用于计算值的函数，而不是值本身

张量和变量之间的本质内部实现差异是什么？

在C++中，<<代码> TysFoo:：张量和 ToSoFoo:：Var < /C> >非常相似；唯一不同的是

tensorflow:：Var

还有一个

mutex

，可用于在更新变量时锁定该变量

在Python中，本质区别在于

tf.Tensor

被实现为数据流图，并且是只读的（即通过调用

tf.Session.run（）

）。

tf.变量

既可以读取（即通过评估其读取操作）也可以写入（例如通过运行赋值操作）

为什么它们的声明不同，为什么这种差异对TensorFlow至关重要？

张量和变量有不同的用途。张量（

tf.Tensor

objects）可以表示数学表达式的复杂组合，如神经网络中的损失函数或符号梯度。变量表示随时间更新的状态，如训练期间的权重矩阵和卷积滤波器。原则上你可以代表