tensorflow tf.assign 和 = + 区别

首先注意assign在tensorflow的操作是将改变当前节点的值，并将改变值后的节点返回，这是tensorflow的api。而等于号是python里的赋值语句，但与普通python赋值语句不同的是，由于通常tensorflow建图时右边的操作都是新建一个节点，所以这个等于号其实就是将变量的引用到这个新节点上。你只要分清哪些是tensorflow中的操作和哪些是python语言的操作，就能分清哪些是在建图，哪些只是在改变引用。

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()

2
2
2

第一种，assign_op对a进行了赋值，因此sess.run(assign_op)运行后返回值的是2，由于assign是对原始节点修改值，而不是新建节点。因此a对应节点的值也变成了2。

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()
   
2
2
2

第二种，注意a = a + 1的实际操作是首先将右边a的节点加上1，这是一个新建节点操作，a+1返回的是这个新建节点，此时a = 新建节点。也就是a引用的节点地址变了。这是run(a)、a.eval()其实都不会修改原始节点name="a"的值，也就是始终为1，所以run(a)、a.eval()执行的都是1+1运算。

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()
    
2
3
4

第三种，首先新建个节点name=“a”，再对这个节点采用assign操作，注意这个assign的操作被a给引用了。也就是每次运行run(a)，a.eval()都是需要assign运行一次。这样，assign运行第一次，name="a"节点值变为2；assign运行第二次相当于2+1=3，同理第三次3+1。

import tensorflow as tf

counter = tf.Variable(0, name="counter")
one = tf.constant(1)
ten = tf.constant(10)
new_counter = tf.add(counter, one)  # tf.add 相当于counter+one
assign = tf.assign(counter, new_counter)
result = tf.add(assign, ten)
init_op = tf.initialize_all_variables()
with tf.Session() as sess:
  sess.run(init_op)
  for _ in range(3):
    print sess.run(counter)
    print sess.run(result)