tf.assignと代入演算子（=）の相違点

Question

tf.assignと代入演算子（=）の違いを理解しようとしています。 Iは、代入演算子を

import tensorflow as tf 

with tf.Graph().as_default(): 
    a = tf.Variable(1, name="a") 
    a = a + 1 
    with tf.Session() as sess: 
    sess.run(tf.global_variables_initializer()) 
    print sess.run(a) 
    print a.eval() 
    print a.eval() 

結果を使用して、出力を

2 
2 
2 

第として期待されている単純なtf.assign

import tensorflow as tf 

with tf.Graph().as_default(): 
    a = tf.Variable(1, name="a") 
    assign_op = tf.assign(a, tf.add(a,1)) 
    with tf.Session() as sess: 
    sess.run(tf.global_variables_initializer()) 
    print sess.run(assign_op) 
    print a.eval() 
    print a.eval() 

を使用して、コード

まず3組を有します依然として2,2,2である。

第三に、私は私の質問は2回目で

1. ある

   、

   import tensorflow as tf 
   
   with tf.Graph().as_default(): 
       a = tf.Variable(1, name="a") 
       a = tf.assign(a, tf.add(a,1)) 
       with tf.Session() as sess: 
       sess.run(tf.global_variables_initializer()) 
       print sess.run(a) 
       print a.eval() 
       print a.eval() 
   

   両方 tf.assignと代入演算子は今、出力は2となるを使用する3、4

   スニペット（=）を使用して、私はsess.run（a）を持って、それは私が割り当てopを実行しているようです。だから "a = a + 1"は内部的にassign_op = tf.assign（a、a + 1）のような代入演算を作成しますか？セッションで実行されるオペレーションは実際にはassign_opだけですか？しかし、私がa.eval（）を実行すると、aをインクリメントし続けないので、evalは "静的な"変数を評価しているようです。

2. 第3のスニペットの説明方法がわかりません。なぜ2つのエバリュールが増加するのですが、2つ目のエバリュールは2つのスニペットでは違いますか？

ありがとう。

Answer 1

ここでの主な混乱は、a = a + 1を実行すると、結果のテンソルの加算演算a + 1にPython変数aが再割り当てされることです。一方、tf.assignは、TensorFlow変数の値を設定する操作です。

a = tf.Variable(1, name="a") 
a = a + 1 

これは同等です：

を念頭に置いて

a = tf.add(tf.Variable(1, name="a"), 1) 

：使用して第二のスニペット（=）で

、私はsess.runたとき（a）は、それが私は割り当てopを実行しているようだ。だから "a = a + 1"は内部的にassign_op = tf.assign（a、a + 1）のような代入演算を作成しますか？ [...]

これはそうかもしれませんが、真実ではありません。上で説明したように、これはPython変数を再割り当てするだけです。 tf.assignまたは変数を変更する他の操作なしでは、値は1のままです。aが評価されるたびに、プログラムは常にa + 1 => 1 + 1を計算します。

第3のスニペットの説明方法がわかりません。なぜ2つのエバリュールが増加するのですが、2つ目のエバリュールは2つのスニペットでは違いますか？第三スニペットの代入テンソルのeval()を呼び出すことも変数の割り当てをトリガーするためだ

（これは現在のセッションでsession.run(a)を行うことと大差はないことに注意してください）。