张量流：var.eval() 与 var.initialized_value().eval()答案

【问题标题】：Tensorflow: var.eval() vs. var.initialized_value().eval()张量流：var.eval() 与 var.initialized_value().eval()
【发布时间】：2016-01-19 12:11:07
【问题描述】：

当我运行以下 Tensorflow 命令时，我得到了不同的结果。有人知道为什么吗？

import tensorflow as tf

sess = tf.Session()
var = tf.Variable(tf.truncated_normal([1,1], stddev=.1))
sess.run(tf.initialize_all_variables())

print var.eval(session=sess)
print var.initialized_value().eval(session=sess)

生产：

[[-0.12024114]]
[[ 0.04141031]]

【问题讨论】：

再运行一次，你会发现结果和之前不一样。

标签： python tensorflow

【解决方案1】：

正如您正确的worked out，直接评估变量和评估var.initialized_value() 之间的区别在于评估var.initialized_value() 将重新执行var.initializer，并且——作为副作用——修改存储在@987654327 中的值@。

这就留下了一个问题：为什么我们有initialized_value？原因是它有助于根据另一个变量定义一个变量。例如，假设我们要将两个变量初始化为相同的随机值。默认情况下 tf.global_variables_initializer 不指定变量初始化的顺序。因此，如果一个变量的初始值取决于另一个变量的值，那么您很可能会收到错误消息。以下代码将无法可靠运行：

v1 = tf.Variable(tf.truncated_normal([20, 20]))
v2 = tf.Variable(v1)

init_op = tf.global_variables_initializer()
sess = tf.Session()
# The following line will non-deterministically crash with an error about
# using an uninitialized value.
sess.run(init_op)

相反，您应该根据v1.initialized_value() 定义v2。这对如何执行初始化程序施加了一个顺序，并确保首先初始化 v1：

v1 = tf.Variable(tf.truncated_normal([20, 20]))
v2 = tf.Variable(v1.initialized_value())

init_op = tf.global_variables_initializer()
sess = tf.Session()
# The following line will succeed.
sess.run(init_op)

【讨论】：

【解决方案2】：

好的 - 简单。不同输出的原因是 initialized_value() 重新运行了初始化操作。因此结果不同。

initialized_value() 方法返回用于初始化变量的值（在本例中为随机数）。

我希望在一些操作后复制变量的值，然后遇到了 initialized_value() 方法作为复制变量的一种方式。但是，这似乎只有在您想复制初始值时才适用。虽然从名字上听上去有点明显......

import tensorflow as tf

sess = tf.Session()
var = tf.Variable([[1.234]])
sess.run(tf.initialize_all_variables())

print var.eval(session=sess)
print var.initialized_value().eval(session=sess)

var.assign_add([[2]]).eval(session=sess)

print var.eval(session=sess)
print var.initialized_value().eval(session=sess)

产生：

[[ 1.23399997]]
[[ 1.23399997]]

[[ 3.23399997]]
[[ 1.23399997]]

【讨论】：