对TensorFlow的assign赋值用法详解


            TensorFlow修改变量值后，需要重新赋值，assign用起来有点小技巧，就是需要需要弄个操作子，运行一下。

下面这么用是不行的





import tensorflow as tf

import numpy as np

 

x = tf.Variable(0)

init = tf.initialize_all_variables()

sess = tf.InteractiveSession()

sess.run(init)

 

print(x.eval())

 

x.assign(1)

print(x.eval())





正确用法

1.





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)





2.





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 





3.





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.





我的方法





import numpy as np #这是Python的一种开源的数值计算扩展，非常强大

import tensorflow as tf #导入tensorflow 



##构造数据##

x_data=np.random.rand(100).astype(np.float32) #随机生成100个类型为float32的值

y_data=x_data*0.1+0.3 #定义方程式y=x_data*A+B

##-------##



##建立TensorFlow神经计算结构##

weight=tf.Variable(tf.random_uniform([1],-1.0,1.0)) 

biases=tf.Variable(tf.zeros([1]))  

y=weight*x_data+biases



w1=weight*2



loss=tf.reduce_mean(tf.square(y-y_data)) #判断与正确值的差距

optimizer=tf.train.GradientDescentOptimizer(0.5) #根据差距进行反向传播修正参数

train=optimizer.minimize(loss) #建立训练器



init=tf.global_variables_initializer() #初始化TensorFlow训练结构

#sess=tf.Session() #建立TensorFlow训练会话

sess = tf.InteractiveSession() 

sess.run(init)  #将训练结构装载到会话中

print('weight',weight.eval())

for step in range(400): #循环训练400次

  sess.run(train) #使用训练器根据训练结构进行训练

  if step%20==0: #每20次打印一次训练结果

  print(step,sess.run(weight),sess.run(biases)) #训练次数，A值，B值

  

print(sess.run(loss))  

print('weight new',weight.eval())





#wop=weight.assign([3])

#wop.eval()

weight.load([1],sess)

print('w1',w1.eval())





以上这篇对TensorFlow的assign赋值用法详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持中文源码网。