Как назначить значение переменной TensorFlow?

Ответ 1

Заявление x.assign(1) фактически не присваивает значение 1 x, а создает tf.Operation, который нужно явно запустить для обновления переменной. * Вызов Operation.run() или Session.run() можно использовать для запуска операции:

assign_op = x.assign(1)
sess.run(assign_op)  # or `assign_op.op.run()`
print(x.eval())
# ==> 1

(* Фактически, он возвращает tf.Tensor, соответствующий обновленному значению переменной, чтобы упростить цепочку присвоений.)

Ответ 2

Вы также можете назначить новое значение для tf.Variable не добавляя в график tf.Variable.load(value, session): tf.Variable.load(value, session). Эта функция также может сэкономить вам добавление заполнителей при назначении значения за пределами графика, и это полезно в случае, если график завершен.

import tensorflow as tf
x = tf.Variable(0)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(x))  # Prints 0.
x.load(1, sess)
print(sess.run(x))  # Prints 1.

Обновление: это запрещено в TF2, поскольку активное выполнение по умолчанию и графики больше не отображаются в пользовательском API.

Ответ 3

Прежде всего, вы можете присваивать значения переменным/константам, просто вставляя в них значения так же, как вы делаете это с помощью заполнителей. Так что это совершенно законно:

import tensorflow as tf
x = tf.Variable(0)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print sess.run(x, feed_dict={x: 3})

Что касается вашей путаницы с оператором tf.assign(). В TF ничего не выполняется, прежде чем запускать его внутри сеанса. Поэтому вам всегда нужно делать что-то вроде этого: op_name = tf.some_function_that_create_op(params), а затем внутри сеанса, который вы запускаете sess.run(op_name). Используя назначение в качестве примера, вы сделаете что-то вроде этого:

import tensorflow as tf
x = tf.Variable(0)
y = tf.assign(x, 1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print sess.run(x)
    print sess.run(y)
    print sess.run(x)

Ответ 4

Также следует отметить, что если вы используете your_tensor.assign(), то tf.global_variables_initializer не нужно вызывать явно, так как операция присваивания делает это для вас в фоновом режиме.

Пример:

In [212]: w = tf.Variable(12)
In [213]: w_new = w.assign(34)

In [214]: with tf.Session() as sess:
     ...:     sess.run(w_new)
     ...:     print(w_new.eval())

# output
34 

Однако это не будет инициализировать все переменные, но будет инициализировать только переменную, на которой был выполнен assign.

Ответ 5

Вот полный рабочий пример:

import numpy as np
import tensorflow as tf

w= tf.Variable(0, dtype=tf.float32) #good practice to set the type of the variable
cost = 10 + 5*w + w*w
train = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)

print(session.run(w))

session.run(train)
print(session.run(w)) # runs one step of gradient descent

for i in range(10000):
  session.run(train)

print(session.run(w))

Обратите внимание, что результат будет:

0.0
-0.049999997
-2.499994

Это означает, что в самом начале переменная была 0, как определено, затем после одного шага приличного градиента переменная была -0.049999997, и после еще 10.000 шагов мы достигаем -2.499994 (основываясь на нашей функции стоимости).

Примечание. Первоначально вы использовали интерактивный сеанс. Интерактивный сеанс полезен, когда необходимо выполнить несколько разных сеансов в одном и том же сценарии. Тем не менее, я использовал неинтерактивный сеанс для простоты.

Ответ 6

Используйте режим ожидания Tensorflow, который является последним.

import tensorflow as tf
tf.enable_eager_execution()
my_int_variable = tf.get_variable("my_int_variable", [1, 2, 3])
print(my_int_variable)

Ответ 7

Итак, у меня был другой случай, когда мне нужно было присвоить значения перед запуском сеанса, так что это был самый простой способ сделать это:

other_variable = tf.get_variable("other_variable", dtype=tf.int32,
  initializer=tf.constant([23, 42]))

здесь я создаю переменную, а также присваиваю ей значения одновременно

Ответ 8

Я ответил на аналогичный вопрос здесь. Я смотрел во многих местах, которые всегда создавали одну и ту же проблему. По сути, я не хотел присваивать значение весам, а просто менял их. Краткая версия приведенного выше ответа:

tf.keras.backend.set_value(tf_var, numpy_weights)

Ответ 9

Существует более простой подход:

x = tf.Variable(0)
x = x + 1
print x.eval()