embedding.assign(embedding_input)的解读

1.这个问题是来自Tensorboard可视化过程中
2.embedding.assign(embedding_input)这个语句的用法是什么？
简单的讲，就是把embedding_input赋值给embedding，当然这里的量全是tensor
那为什么不使用简单的embedding = embedding_input呢？
因为一般来讲，完整的式子是：
assignment = embedding.assign(embedding_input)
表达的意思是：
用被embedding_input赋值的embedding传给assignment
这一个等式完成了多种运算，根据下面我给出的比较代码可以看出，sess.run(embedding)后发现，embedding的值也变了。
这其实和我们传统意义上对tensor的操作是不同的，比如tf.reshape()或embedding.reshape()
这种类型的语句并不会改变原来tensor的shape，而是通过
embedding = embedding.reshape()的形式间接改变变量shape的。
3.embedding.assign(embedding_input)与tf.assign(embedding ,embedding_input)是等效的操作
4.最后贴上这几个的对比代码（有详解）:

import tensorflow as tf
import numpy as np
# assign用法
embedding_size = 3
embedding = tf.Variable(tf.zeros([1024, embedding_size]), name="test_embedding")
embedding_input = tf.Variable(tf.constant(1.0, shape=(1024, embedding_size)))
assignment = embedding.assign(embedding_input)  # 将embedding_input赋给embedding,然后embedding间接传给了assignment
a = np.random.random(size=[1024, embedding_size])  # 建立实际feed值
sess = tf.Session()  # 建立会话
b = sess.run(assignment, feed_dict={embedding_input: a})  # 执行给b赋值的功能,注意assignment仍是tensor
print(b)
c = sess.run(embedding)
print(c)  # 说明assign的操作可以让embedding的值改变

# 换用tf.assign（）也可以
embedding_size = 3
embedding = tf.Variable(tf.zeros([1024, embedding_size]), name="test_embedding")
embedding_input = tf.Variable(tf.constant(1.0, shape=(1024, embedding_size)))
assignment = tf.assign(embedding, embedding_input)  # 将embedding_input赋给embedding,然后embedding间接传给了assignment
a = np.random.random(size=[1024, embedding_size])  # 建立实际feed值
sess = tf.Session()  # 建立会话
b = sess.run(assignment, feed_dict={embedding_input: a})  # 执行给b赋值的功能,注意assignment仍是tensor
print(b)
# 如果在这里将上面的会话结束，则所有的值都会被清空
# sess.close()
c = sess.run(embedding)
print(c)  # 说明assign的操作可以让embedding的值改变

# 对比下如果是像tf.reshape的函数，会改变吗
#%%
import tensorflow as tf
embedding_size = 3
embedding = tf.zeros([1024, embedding_size], name="test_embedding")
tf.reshape(embedding, shape=(32, 32, embedding_size))
sess = tf.Session()  # 建立会话
array = sess.run(embedding)
print(array.shape)
# 实验结果表明，embedding的shape并不会变为32,32,3
#%%

# 其实直接赋值也可以
embedding_size = 3
# embedding = tf.Variable(tf.zeros([1024, embedding_size]), name="test_embedding")
embedding_input = tf.Variable(tf.constant(1.0, shape=(1024, embedding_size)))
# assignment = embedding.assign(embedding_input)  # 将embedding_input赋给embedding,然后embedding间接传给了assignment
assignment = embedding_input
a = np.random.random(size=[1024, embedding_size])  # 建立实际feed值
sess = tf.Session()  # 建立会话
b = sess.run(assignment, feed_dict={embedding_input: a})  # 执行给b赋值的功能,注意assignment仍是tensor
print(b)

5.本人现在的研究方向是：图像的语义分割，如果有志同道合的朋友，可以组队学习
haiyangpengai@gmail.com