在 TensorFlow 中,我可以通过两种方式初始化变量:
在声明变量之前调用
global_variable_intializer()
:import tensorflow as tf # Initialize the global variable and session init = tf.global_variables_initializer() sess = tf.Session() sess.run(init) W = tf.Variable([.3], tf.float32) x = tf.Variable([-.3], tf.float32) b = tf.Variable([-.3], tf.float32) linear_model = W * x + b
在声明变量后调用
global_variable_intializer()
:import tensorflow as tf W = tf.Variable([.3], tf.float32) x = tf.Variable([-.3], tf.float32) b = tf.Variable([-.3], tf.float32) linear_model = W * x + b # Initialize the global variable and session init = tf.global_variables_initializer() sess = tf.Session() sess.run(init)
两者有什么区别?初始化变量的最佳方式是什么?
编辑
这是我正在运行的实际程序:
import tensorflow as tf
# Initialize the global variable and session
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
W = tf.Variable([.3], tf.float32)
b = tf.Variable([-.3], tf.float32)
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
linear_model = W * x + b
square_delta = tf.square(linear_model - y)
loss = tf.reduce_sum(square_delta)
fixW = tf.assign(W, [-1.])
fixb = tf.assign(b, [1.])
sess.run([fixW, fixb])
print(sess.run(loss, {x:[1,2,3,4], y:[0,-1,-2,-3]}))
最佳答案
情况1,变量没有初始化,如果你试试
sess.run(linear_model)
它应该给你一些错误(我的编译器上的 FailedPreconditionError)。
案例 2 是工作案例。
命令
tf.global_variables_initializer()
应该在创建完所有变量后调用,否则会报同样的错误。
据我了解,每次调用 tf.Variable 时,与变量相关的节点都会添加到图中。这些是:
Variable/initial_value
Variable
Variable/Assign
Variable/read
(您使用命令获得到目前为止构建的节点
for n in tf.get_default_graph().as_graph_def().node:
print n.name
)
变量本身没有任何值,直到您在 session 中运行变量/分配节点。
命令
init = tf.global_variables_initializer()
创建一个节点,其中包含到目前为止构造的所有变量的所有分配节点,并将其关联到 python 变量“init”,以便在执行时执行该行
sess.run(init)
所有变量都获取初始值。
关于python - 在 TensorFlow 中初始化变量的最佳方法是什么?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44284580/