张量流中var.op.name和var.name之间有什么区别？

Question

我有一点令人困惑。以下是示例代码：

opt = tf.train.GradientDescentOptimizer(1e-4)
grads_and_vars = opt.compute_gradients(total_loss)       
for grad, var in grads_and_vars:        
    print(var.op.name)

输出为：conv1/filt conv1/bias

当我将var.op.name更改为var.name

时

输出为：conv1/filt:0 conv1/bias:0

var.op.name和var.name之间有什么区别？ :0是什么意思？

Answer 1

op.name是操作的名称，而var.name是Tensor的名称。操作是分配内存的东西，并产生端点上可用的输出：0，：1等.Tensor是操作的输出，因此它对应于某个端点。在这种情况下，conv1/filt是负责内存的变量操作，conv1/filt:0是该操作的第一个端点。实际差异在于conv1/filt:0是您可以获取的值，即sess.run(["conv1/filt:0"])，而您使用conv1/filt来获取操作，即tf.get_default_graph().get_operation_by_name("conv1/filt") < / p>

Answer 2

根据我的理解，OP只是添加初始化所有变量。 ：0只是第一个输出，所以如果有另一个conv1 / filt，它将显示为conv1 / filt：1。