更新tensorflow中的变量值

我有一个关于通过tensorflow python api更新张量值的基本问题

考虑代码片段：

x = tf.placeholder(shape=(None,10), ... )
y = tf.placeholder(shape=(None,), ... )
W = tf.Variable( randn(10,10), dtype=tf.float32 )
yhat = tf.matmul(x, W)

现在让我们假设我想要实现某种迭代更新W值的算法（例如，一些优化算法）。这将包括以下步骤：

for i in range(max_its):
     resid = y_hat - y
     W = f(W , resid) # some update 

这里的问题是，LHS上的

W

是一个新的张量，而不是

W

中使用的

yhat=tf.matmul（x，W）

！也就是说，将创建一个新变量，并且在我的“模型”中使用的

W

的值不会更新

现在解决这个问题的一个办法是

 for i in range(max_its):
     resid = y_hat - y
     W = f(W , resid) # some update 
     yhat = tf.matmul( x, W)

这将导致为我的循环的每个迭代创建一个新的“模型”

---

有没有更好的方法（在python中）来实现这一点，而不必为循环的每次迭代创建一大堆新模型——而是更新原始的张量

W

“就地”可以说？

变量有一个赋值方法。试试看：

W.assign（f（W，resid））

@aarbelle简洁的回答是正确的，我会把它展开一点，以防有人需要更多信息。下面最后两行用于更新W

x = tf.placeholder(shape=(None,10), ... )
y = tf.placeholder(shape=(None,), ... )
W = tf.Variable(randn(10,10), dtype=tf.float32 )
yhat = tf.matmul(x, W)

...

for i in range(max_its):
    resid = y_hat - y
    update = W.assign(f(W , resid)) # do not forget to initialize tf variables. 
    # "update" above is just a tf op, you need to run the op to update W.
    sess.run(update)

---

准确地说，答案应该是sess.run（W.assign（f（W，resid））。然后使用

sess.run（W）

显示更改