『TensorFlow』流程控制之tf.identity

下面程序要做的是，5次循环，每次循环给x加1，赋值给y，然后打印出来,

x = tf.Variable(0.0)

#返回一个op，表示给变量x加1的操作

x_plus_1 = tf.assign_add(x, 1)

#control_dependencies的意义是，在执行with包含的内容（在这里就是 y = x）前

#先执行control_dependencies中的内容（在这里就是 x_plus_1）

with tf.control_dependencies([x_plus_1]):

    y = x

init = tf.initialize_all_variables()

with tf.Session() as session:

    init.run()

    for i in xrange(5):

        print(y.eval())

由于control_dependencies的所以执行print前都会先执行x_plus_1。

这个打印的是0，0，0，0，0 ,也就是说没有达到我们预期的效果，这是因为此时的y是一个复制了x变量的变量，并未和图上的节点相联系不接受流程控制函数的调遣，

改成如下，

import tensorflow as tf

x = tf.Variable(0.0)

print(x)

x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):

    y = x + 0.0

    print(y) #z=tf.identity(x,name='x')

init = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init)

    for i in range(5):

        print(sess.run(y))

<tf.Variable 'Variable:0' shape=() dtype=float32_ref>

Tensor("add:0", shape=(), dtype=float32)

1.0 2.0 3.0 4.0 5.0

可以看到当y定义为节点的输出后，就可以顺利执行操作了，此时y成为节点的输出，可以被图识别。

如果改成这样：

x = tf.Variable(0.0)

x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):

    y = tf.identity(x)#修改部分

init = tf.initialize_all_variables()

with tf.Session() as session:

    init.run()

    for i in range(5):

        print(y.eval())

This works: it prints 1, 2, 3, 4, 5.

这时候打印的是1，2，3，4，5

解释：

查询y为：Tensor("Identity_1:0", shape=(), dtype=float32)，和节点联系起来了。
tf.identity是返回了一个一模一样新的tensor，再control_dependencies的作用块下，需要增加一个新节点到gragh中。

『TensorFlow』流程控制之tf.identity的更多相关文章

『TensorFlow』流程控制
『PyTorch』第六弹_最小二乘法对比PyTorch和TensorFlow TensorFlow 控制流程操作 TensorFlow 提供了几个操作和类,您可以使用它们来控制操作的执行并向图中添加条 ...
『TensorFlow』专题汇总
TensorFlow:官方文档 TensorFlow:项目地址本篇列出文章对于全零新手不太合适,可以尝试TensorFlow入门系列博客,搭配其他资料进行学习. Keras使用tf.Session训 ...
『TensorFlow』模型保存和载入方法汇总
『TensorFlow』第七弹_保存&载入会话_霸王回马一.TensorFlow常规模型加载方法保存模型 tf.train.Saver()类,.save(sess, ckpt文件目录)方法 ...
『TensorFlow』滑动平均
滑动平均会为目标变量维护一个影子变量,影子变量不影响原变量的更新维护,但是在测试或者实际预测过程中(非训练时),使用影子变量代替原变量. 1.滑动平均求解对象初始化 ema = tf.train.Ex ...
『TensorFlow』梯度优化相关
tf.trainable_variables可以得到整个模型中所有trainable=True的Variable,也是自由处理梯度的基础基础梯度操作方法: tf.gradients 用来计算导数.该 ...
『TensorFlow』SSD源码学习_其五：TFR数据读取&数据预处理
Fork版本项目地址:SSD 一.TFR数据读取创建slim.dataset.Dataset对象在train_ssd_network.py获取数据操作如下,首先需要slim.dataset.Dat ...
『TensorFlow』读书笔记_降噪自编码器
『TensorFlow』降噪自编码器设计之前学习过的代码,又敲了一遍,新的收获也还是有的,因为这次注释写的比较详尽,所以再次记录一下,具体的相关知识查阅之前写的文章即可(见上面链接). # Aut ...
『TensorFlow』命令行参数解析
argparse很强大,但是我们未必需要使用这么繁杂的东西,TensorFlow自己封装了一个简化版本的解析方式,实际上是对argparse的封装脚本化调用tensorflow的标准范式: impo ...
『TensorFlow』TFR数据预处理探究以及框架搭建
一.TFRecord文件书写效率对比(单线程和多线程对比) 1.准备工作 # Author : Hellcat # Time : 18-1-15 ''' import os os.environ[&q ...

随机推荐

daemon函数详解
https://blog.csdn.net/xinyuan510214/article/details/50903280
spring和springboot
Spring四大原则: 1.使用POJO进行轻量级和最小侵入式开发 2.通过依赖注入和基于接口编程实现松耦合 3,.通过AOP和默认习惯进行声明式编程 4.使用AOP和模版template减少模式化代 ...
android从IIS/asp.net下载apk文件
解决步骤: 1.web.config中 <configuration> <configSections> ... <section name="rewr ...
docker+kafka+zookeeper+zipkin的安装
1. 启动zookeeper容器 docker search zookeeper docker pull wurstmeister/zookeeper docker run -d --name zoo ...
VUE—打印（原生态网页打印）
//打印触发的方法 print(e){ let subOutputRankPrin = document.getElementById('printcode'); var options = { fo ...
2019.04.12 Head First
第一节认识python python.exe -V python 会进入解释器 quit()命令会退出解释器 IDEL,一个python的集成开发环境,能够利用颜色突出语法的编辑器,一个调试工具,P ...
export to excel
using NPOI.HSSF.UserModel; using NPOI.SS.UserModel; using NPOI.XSSF.UserModel;npoi是重点. 定义一个exporttoe ...
《linux就该这么学》第十节课：第8章iptables和firewalld
网卡配置: 物理机:192.168.10.1/24 服务器:192.168.10.10/24 客户端:192.168.10.20/24 1.vim /etc/sysc ...
linq 表分组后关联查询
测试linq,获取有教师名额的学校.比如学校有5个教师名额,teacher数量没超过5个,发现有空额 var query = (from teacher in _repositoryTeacher.T ...
web前端学习历程--排序
一.js排序方法 1.按字母顺序排列: arr.sort() 2.按数值从小到大: function sortNumber(a,b)//排序函数 { return a - b } var arr = ...

『TensorFlow』流程控制之tf.identity

『TensorFlow』流程控制之tf.identity的更多相关文章

随机推荐

热门专题