python - tensorflow 中的 "y=x"和 y=tf.identity(x) 有什么区别

Question

我对以下代码感到困惑:y = x和y = tf.identity(x) 。 更准确地说，当我运行以下代码片段时，我感到困惑:

代码1:

import tensorflow as tf
x = tf.Variable(0.0, name="x")
with tf.control_dependencies([x_plus_1]):
    y = x
init = tf.initialize_all_variables()
with tf.Session() as sess:
    init.run()
    for i in range(5):
        print(y.eval())

这将给出输出:0.0 0.0 0.0 0.0 0.0

代码2:

import tensorflow as tf
x = tf.Variable(0.0, name="x")
with tf.control_dependencies([x_plus_1]):
    y = tf.identity(x, name='id')
init = tf.initialize_all_variables()

with tf.Session() as sess:
    init.run()
    for i in range(5):
        print(y.eval())

唯一的变化来自 y=x至y=tf.identity(x) ，但现在结果是1.0 2.0 3.0 4.0 5.0

非常感谢。

Answer 1

x 是一个张量，我们称之为 tensor_1。当您说 y = x 时，您是在说变量 y 具有张量 tensor_1 的值。当您执行 y = tf.identity(x) 时，您将创建一个新的张量 tensor_2，其值与 tensor_1 相同。但它是图中的不同节点，因此从 tensor_1 到 tensor_2 的值必须移动。这就是为什么 with tf.control_dependency([x_plus_1]) 在第二个代码中执行某些操作，但在第一个代码中执行任何操作。因为在第一个代码中，您没有创建 control_depdendency 可以使用的任何新张量。

综上所述，y = x 使变量 y 指向 x 中的同一个对象，但 y = tf .identity(x) 使用 x 的内容创建一个新对象。