Variables 使用np.zeros和tf.zeros初始化Tensorflow变量之间的差异

使用np.zero初始化tensorflow变量与使用tf.zero初始化tensorflow变量之间是否存在一些差异

例如，如果我们看一下MNIST softmax教程( )，变量W和b按以下方式初始化

  W = tf.Variable(tf.zeros([784, 10]))
  b = tf.Variable(tf.zeros([10]))

与使用tf.zeros进行初始化不同，如果使用np.zeros，代码仍然可以正常工作，如下所示

  W = tf.Variable(np.zeros([784, 10], dtype=np.float32))
  b = tf.Variable(np.zeros([10], dtype=np.float32))

所以，我认为可能没有什么不同。但是，我尝试了下面的代码段，假设下面的

a

和

b

变量相同

a = tf.Variable(tf.zeros((3, 2)), tf.float32)
b = tf.Variable(np.zeros((3, 2)), tf.float32)
sess = tf.InteractiveSession()
init = tf.global_variables_initializer()
sess.run(init)
a.eval()

a.eval（）

的结果如下：

array([[ 0.,  0.],
       [ 0.,  0.],
       [ 0.,  0.]], dtype=float32)

array([[ 0.,  0.],
       [ 0.,  0.],
       [ 0.,  0.]])

但是

b.eval（）

的结果如下：

array([[ 0.,  0.],
       [ 0.,  0.],
       [ 0.,  0.]], dtype=float32)

array([[ 0.,  0.],
       [ 0.,  0.],
       [ 0.,  0.]])

---

因此，即使值相同，数据类型也存在差异。你能给我解释一下为什么存在这种差异吗？

对于大多数实验来说，这几乎无关紧要。您还可以提供python列表列表

[[0，0，…]，…]

。您在

eval

中看到的差异是因为默认情况下使用

float32

。相反，默认情况下使用

float64

。改变一个或另一个，你将看不到区别

在生产代码中，最好使用

tf.

函数进行初始化，以减少开销