tensorflow - 关于 "tensorflow.initialize_all_variables()"

Question

我想知道以下两段代码之间有什么区别:

import tensorflow as tf
x = tf.Variable(0, name='x')
model = tf.initialize_all_variables()
with tf.Session() as session:
    for i in range(5):

        session.run(model)
        x = x + 1

        print(session.run(x))

<小时/>

import tensorflow as tf
x = tf.Variable(0, name='x')
model = tf.initialize_all_variables()
with tf.Session() as session:
    for i in range(5):

        x = x + 1
        session.run(model)

        print(session.run(x))

唯一的区别是“x = x + 1”和“session.run(model)”的顺序。我认为这会对输出产生很大的影响，因为 session.run(model) 会初始化所有变量。然而，这两个代码块输出相同的东西......

代码复制自教程:http://learningtensorflow.com/lesson2/

Answer 1

是的，这里有点棘手。 Tensorflow 的一个重要概念是惰性求值，这意味着首先构建节点的 Tensorflow 图，并且图的求值仅发生在 session.run 时。

对于这行代码x=x+1，这里的x是Tensor类型，这里的+是重载的tf.add，所以x=x+1实际上是在构建图，还没有进行任何计算；并且在每次迭代时，图(在本例中为二叉树)都会添加一层(又一个嵌套总和)。 session.run(model) 始终将 x 初始化为 0，session.run(x) 将根据该迭代中迄今为止构建的图来计算 x。例如，在迭代 4 中，x 加 1，共 4 次，因为本次迭代的图有 4 个嵌套和(或层)。

如果这对您有意义，我认为“两个代码本质上是相同的”也会有意义。

注意:严格来说，在第一次迭代中，右侧的 x 是 Variable 类型，但这些都是细节，而不是我想要表达的要点...