如何为TensorFlow变量分配值？

我正在尝试为python中的tensorflow变量分配一个新值。

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())

但是我得到的输出是

0
0

因此该值没有改变。我想念什么？

在TF1中，该语句x.assign(1)实际上并未将值分配1给x，而是创建了tf.Operation必须显式运行以更新变量的a。*调用Operation.run()或Session.run()可用于运行该操作：

assign_op = x.assign(1)
sess.run(assign_op)  # or `assign_op.op.run()`
print(x.eval())
# ==> 1

（*实际上，它返回tf.Tensor与变量的更新值相对应的a ，以便更轻松地链接分配。）

但是，x.assign(1)现在在TF2中会急切地分配值：

x.assign(1)
print(x.numpy())
# ==> 1

您也可以为分配新值，tf.Variable而无需在图形上添加操作：tf.Variable.load(value, session)。从图形外部分配值时，此功能还可以节省添加占位符的功能，这在图形完成时很有用。

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.

更新：在TF2中对此进行了描述，因为默认情况下急切执行，并且在面向用户的API中不再显示图形。

首先，您可以通过使用占位符的相同方式将值输入变量/常量来为它们分配值。因此，这样做完全合法：

import tensorflow as tf
x = tf.Variable(0)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print sess.run(x, feed_dict={x: 3})

关于您与tf.assign（）运算符的混淆。在TF中，在会话内部运行它之前不会执行任何操作。因此，您始终必须执行以下操作：op_name = tf.some_function_that_create_op(params)然后在会话中运行sess.run(op_name)。以assign为例，您将执行以下操作：

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)

另外，必须注意，如果您使用your_tensor.assign()，则tf.global_variables_initializer不需要显式调用该需求，因为assign操作会在后台为您执行此操作。

例：

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 

但是，这不会初始化所有变量，而只会初始化对其assign执行的变量。

我在这里回答了类似的问题。我到很多地方都发现了同样的问题。基本上，我不想为权重分配一个值，而只是更改权重。上述答案的简短版本是：

tf.keras.backend.set_value(tf_var, numpy_weights)

这是完整的工作示例：

import numpy as np
import tensorflow as tf

w= tf.Variable(0, dtype=tf.float32) #good practice to set the type of the variable
cost = 10 + 5*w + w*w
train = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

init = tf.global_variables_initializer()
session = tf.Session()
session.run(init)

print(session.run(w))

session.run(train)
print(session.run(w)) # runs one step of gradient descent

for i in range(10000):
  session.run(train)

print(session.run(w))

注意输出将是：

0.0
-0.049999997
-2.499994

这意味着，从一开始，变量就是所定义的0，然后在经过仅1个步骤的渐变体之后，变量就为-0.049999997，再经过10.000步，我们就达到了-2.499994（基于成本函数）。

注意：您最初使用交互式会话。当需要在同一脚本中运行多个不同的会话时，交互式会话很有用。但是，为了简单起见，我使用了非交互式会话。

使用最新的Tensorflow渴望执行模式。

import tensorflow as tf
tf.enable_eager_execution()
my_int_variable = tf.get_variable("my_int_variable", [1, 2, 3])
print(my_int_variable)

因此，在不同情况下，我需要在运行会话之前分配值，因此这是最简单的方法：

other_variable = tf.get_variable("other_variable", dtype=tf.int32,
  initializer=tf.constant([23, 42]))

在这里，我正在创建一个变量并同时为其赋值

有一个更简单的方法：

x = tf.Variable(0)
x = x + 1
print x.eval()