python - 如果我们可以直接使用变量而无需初始化，为什么我们在tensorflow中使用tf.Variable？

Question

在 tensorflow 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)

众所周知，使用第一种方法我们必须初始化变量，否则会抛出“未初始化变量”的错误。但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 tensorflow 中使用第一种方法或 tf.Variable ？他们对此有何具体用途吗？

Answer 1

你应该想到tensorflow中的4种类型的张量:

• 占位符 - 这些张量期望找到通过 feed_dict 传入的值作为您的 sess.run 的一部分打电话。
• 变量 - 这些是可变张量，可在 sess.run 的一次执行中保留其值。到下一个。这些是唯一在整个 session 生命周期中保持其状态的张量类型。
• 计算张量(OP/操作)- 这些是计算值，例如 tf.add(a,b) ，该值在调用 sess.run 结束时被丢弃(或返回) 。它们只是计算出来的。
• 常量 - 例如tf.constant(12)

变量需要精确初始化，因为它们维护状态，因此它们需要一个初始状态。这就是为什么您必须在方法 #1 中运行初始化程序的原因。

另一方面，每次调用sess.run时都会计算并丢弃OP。 。这就是您在方法 #2 中所做的。您执行了计算，并提供了执行该计算所需的一切(两个常量)。因此，tensorflow 执行了请求的计算，将结果返回给您，然后丢弃结果。

请注意方法#1 中的独特差异。如果您要请求 ans 的值在未来的某个时刻 sess.run(ans) ，它只会检索变量的值并返回它(不执行计算)。在方法 #2 中，如果您请求 ans1 的值 future 与sess.run(ans1)它必须为您再次执行计算。