tensorflow中计算流图的一些性质

目的:

想要给tensor中的slice赋值。以numpy为例,对一个np对象,的第二行赋值

import numpy as np
mat = np.zeros((3, 3))
print(mat)
""" 输出
[[ 0.  0.  0.]
 [ 0.  0.  0.]
 [ 0.  0.  0.]]
"""

mat[1,:] = [1, 2, 3]
print(mat)
"""输出
[[ 0.  0.  0.]
 [ 1.  2.  3.]
 [ 0.  0.  0.]]
"""

实验:

主体程序:为了为变量tensor a 赋值

import tensorflow as tf

a = tf.Variable(tf.truncated_normal([2, 2]))
b = tf.Variable(tf.truncated_normal([2, 2]))
init = tf.global_variables_initializer()

执行(1):

with tf.Session() as sess:
    sess.run(init)
    print('原始的A--------\n', sess.run(a))
    print('原始的B--------\n', sess.run(b))
    for i in range(0, 2):
        a = b[i,:].assign([1,1])

    print("赋值后的A\n",sess.run(a))
    print("赋值后的B------\n", sess.run(b))

输出(1)

原始的A--------
 [[ 1.20395005  0.30196008]
 [ 1.71405303 -1.02960014]]
原始的B--------
 [[-0.71166104  0.11106157]
 [ 1.71907723 -0.10479059]]
赋值后的A
 [[-0.71166104  0.11106157]
 [ 1.          1.        ]]
赋值后的B------
 [[-0.71166104  0.11106157]
 [ 1.          1.        ]]

执行(2):

a = tf.Variable(tf.truncated_normal([2, 2]))
b = tf.Variable(tf.truncated_normal([2, 2]))
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print('原始的A--------\n', sess.run(a))
    print('原始的B--------\n', sess.run(b))
    for i in range(0, 2):
        a = b[i,:].assign([1,1])
        print("a的第%d次赋值\n" %i, sess.run(a))#实际上多了这一句 ,想追踪赋值的状态的

    print("赋值后的A------\n", sess.run(b)) 
    print("赋值后的B------\n", sess.run(b))

输出(2):

原始的A--------
 [[-0.71950132  0.41336513]
 [-1.46993792 -0.04229261]]
原始的B--------
 [[ 1.2437402  -0.86287254]
 [ 1.62888718  0.50955206]]
a的第0次赋值
 [[ 1.          1.        ]
 [ 1.62888718  0.50955206]]
a的第1次赋值
 [[ 1.  1.]
 [ 1.  1.]]
赋值后的A------
 [[ 1.  1.]
 [ 1.  1.]]
赋值后的B------
 [[ 1.  1.]
 [ 1.  1.]]

结果分析

两次执行的结果并不相同。关键在于sess.run()

从官方文档复制得到:
Session.run()

run(
    fetches,
    feed_dict=None,
    options=None,
    run_metadata=None
)

简介:Runs operations and evaluates tensors in fetches.

详解:This method runs one “step” of TensorFlow computation,

by running the necessary graph fragment to execute every Operation and evaluate every Tensor in fetches by running the necessary graph fragment to execute every Operation and evaluate every Tensor in fetches _
, substituting the values in feed_dict for the corresponding input values.

注意划线的重点. 因为Session.run()运行且仅运行与 fetches 必要的op

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值