Question

在张量流中，我们以两种方式使用变量：

a = tf.constant(12)

b = tf.constant(10)

#NOW SAY I WANT TO ADD THESE TWO

#1st method

ans = tf.Variable(tf.add(a, b))

# Initialize the variable
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
print(sess.run(ans))

#2nd method

ans1 = tf.add(a, b)
sess = tf.Session()
sess.run(ans1)

因此我们都知道，对于使用第一种方法，我们必须初始化变量，否则它会抛出＆＃34;未初始化变量＆＃34;的错误。但是他们不需要为第二种方法进行初始化。所以我的问题是为什么我们在张量流中使用第一种方法或tf.Variable？他们是否具体使用了这个？

Answer 1

您应该考虑张量流中的4种张量：

占位符 - 这些是张量，期望在feed_dict来电时通过sess.run找到传入的值。
变量 - 这些是可变的张量，它们的值从sess.run的一次执行到下一次。这是在会议期间维持其状态的唯一类型的张量。
计算张量（OP /操作） - 这些是计算值，例如tf.add(a,b)，在sess.run调用结束时丢弃（或返回）该值。它们只是计算的。
常数 - 例如tf.constant(12)

变量需要精确初始化，因为它们保持状态，因此需要初始状态。这就是你必须在方法＃1中运行初始化程序的原因。

另一方面，OP计算并在每次调用sess.run时被丢弃。这就是你在方法＃2中所做的。您执行了计算，并提供了执行该计算所需的所有内容（两个常量）。因此，tensorflow执行所请求的计算，将结果返回给您，然后丢弃结果。

注意方法＃1的独特区别。如果您要在ans的某个时间点请求sess.run(ans)的值，它将只检索变量的值并返回它（不执行任何计算）。在方法＃2中，如果您将来使用ans1请求sess.run(ans1)的值，则必须再次为您执行计算。

Answer 2

TensorFlow.add会返回TensorFlow.Tensor类型。如果您将第一种方法转换为TensorFlow.Variable，则必须对其进行初始化，但是您获得了多项功能，因为Variable是具有高级功能的Tensor包装器。

例如，Variable可以存在于单个session.run调用的上下文之外，与Tensor（see the doc）不同。

因此，这完全取决于您的需求。

如果我们可以在没有初始化的情况下直接使用变量，为什么我们在张量流中使用tf.Variable？

2 个答案: