TensorFlow变量和常量-码文网

我是新来的 tensorflow，我不能够理解变量和常量的区别，我得到的想法，我们使用变量的方程和常量的直接值，但为什么 code ＃ 1 只工作，为什么不 code ＃ 2 和＃ 3，请解释在哪些情况下，我们必须先运行我们的图（A），然后我们的变量（B）即

 (a) session.run(model)
 (b) print(session.run(y))

在这种情况下，我可以直接执行这个命令，即

print(session.run(y))

代码 # 1:

x = tf.constant(35, name='x')
y = tf.Variable(x + 5, name='y')
model = tf.global_variables_initializer() 
with tf.Session() as session:
    session.run(model)
    print(session.run(y))

代码 # 2:

x = tf.Variable(35, name='x')
y = tf.Variable(x + 5, name='y')
model = tf.global_variables_initializer() 
with tf.Session() as session:
    session.run(model)
    print(session.run(y))

代码 # 3:

x = tf.constant(35, name='x')
y = tf.constant(x + 5, name='y')
model = tf.global_variables_initializer() 
with tf.Session() as session:
    session.run(model)
    print(session.run(y))

在 TensorFlow 中，常量和变量之间的区别在于，当你声明一些constant时，它的值不能在将来更改（初始化也应该是一个值，不是操作）。

然而，当您声明一个Variable时，您可以在将来使用tf.ign()方法更改其值（并且可以使用值或操作实现初始化）。

函数tf.global_variables_initializer()使用作为参数传递的值初始化代码中的所有变量，但它在异步模式下工作，因此当变量之间存在依赖关系时无常工作。

您的第一个代码（＃ 1）正常工作，因为对变量初始化没有依赖关系，并且常量是用值构造的。

第二个代码（＃ 2）不起作用，因为tf.global_variables_initializer()的异步行为。您可以使用tf.variables_initializer()修复它，如下所示：

x = tf.Variable(35, name='x')
model_x = tf.variables_initializer([x])
y = tf.Variable(x + 5, name='y')
model_y = tf.variables_initializer([y])
with tf.Session() as session:
   session.run(model_x)
   session.run(model_y)
   print(session.run(y))

第三个代码（＃ 3）不能正常工作，因为你试图用一个操作初始化一个常量，这是不可能的。

关于您的最后一个问题。当您的计算图(b) print(session.run(y))中有变量时，您需要运行(a) session.run(model)。

我将指出使用渴望执行时的区别。

从 Tensorflow 2.0.b1 开始，Variables和Constant在使用tf.GradientTape时会触发不同的行为。

让我们看看https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/GradientTape中的示例代码

x = tf.constant(3.0)
with tf.GradientTape(persistent=True) as g:
  g.watch(x)
  y = x * x
  z = y * y
dz_dx = g.gradient(z, x)  # 108.0 (4*x^3 at x = 3)
dy_dx = g.gradient(y, x)  # 6.0
del g  # Drop the reference to the tape

您必须观察x，这是一个Constant。GradientTape不会自动观察上下文中的常量。此外，每个GradientTape只能观察一个张量。如果要获得多个Constants 的梯度，则需要嵌套2。

x = tf.constant(3.0)
x2 = tf.constant(3.0)
with tf.GradientTape(persistent=True) as g:
  g.watch(x)
  with tf.GradientTape(persistent=True) as g2:
    g2.watch(x2)
    y = x * x
    y2 = y * x2
dy_dx = g.gradient(y, x)       # 6
dy2_dx2 = g2.gradient(y2, x2)  # 9
del g, g2  # Drop the reference to the tape

另一方面，Variable由GradientTape自动观看。

默认情况下，GradientTape 将自动监视在上下文中访问的任何可训练变量。Source:https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/GradientTape

所以上面看起来像，

x = tf.Variable(3.0)
x2 = tf.Variable(3.0)
with tf.GradientTape(persistent=True) as g:
    y = x * x
    y2 = y * x2
dy_dx = g.gradient(y, x)       # 6
dy2_dx2 = g.gradient(y2, x2)   # 9
del g  # Drop the reference to the tape
print(dy_dx)
print(dy2_dx2)

当然，您可以通过传递watch_accessed_variables=False来关闭自动观看。这些示例可能不太实用，但我希望这可以消除某人的困惑。