对TensorFlow的assign赋值用法详解
TensorFlow修改变量值后，需要重新赋值，assign用起来有点小技巧，就是需要需要弄个操作子，运行一下。
下面这么用是不行的
importtensorflowastf importnumpyasnp x=tf.Variable(0) init=tf.initialize_all_variables() sess=tf.InteractiveSession() sess.run(init) print(x.eval()) x.assign(1) print(x.eval())
正确用法
1.
importtensorflowastf x=tf.Variable(0) y=tf.assign(x,1) withtf.Session()assess: sess.run(tf.global_variables_initializer()) printsess.run(x) printsess.run(y) printsess.run(x)
2.
In[212]:w=tf.Variable(12) In[213]:w_new=w.assign(34) In[214]:withtf.Session()assess: ...:sess.run(w_new) ...:print(w_new.eval()) #output 34
3.
importtensorflowastf x=tf.Variable(0) sess=tf.Session() sess.run(tf.global_variables_initializer()) print(sess.run(x))#Prints0. x.load(1,sess) print(sess.run(x))#Prints1.
我的方法
importnumpyasnp#这是Python的一种开源的数值计算扩展，非常强大
importtensorflowastf#导入tensorflow
##构造数据##
x_data=np.random.rand(100).astype(np.float32)#随机生成100个类型为float32的值
y_data=x_data*0.1+0.3#定义方程式y=x_data*A+B
##-------##
##建立TensorFlow神经计算结构##
weight=tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases=tf.Variable(tf.zeros([1]))
y=weight*x_data+biases
w1=weight*2
loss=tf.reduce_mean(tf.square(y-y_data))#判断与正确值的差距
optimizer=tf.train.GradientDescentOptimizer(0.5)#根据差距进行反向传播修正参数
train=optimizer.minimize(loss)#建立训练器
init=tf.global_variables_initializer()#初始化TensorFlow训练结构
#sess=tf.Session()#建立TensorFlow训练会话
sess=tf.InteractiveSession()
sess.run(init)#将训练结构装载到会话中
print('weight',weight.eval())
forstepinrange(400):#循环训练400次
sess.run(train)#使用训练器根据训练结构进行训练
ifstep%20==0:#每20次打印一次训练结果
print(step,sess.run(weight),sess.run(biases))#训练次数，A值，B值
print(sess.run(loss))
print('weightnew',weight.eval())
#wop=weight.assign([3])
#wop.eval()
weight.load([1],sess)
print('w1',w1.eval())
以上这篇对TensorFlow的assign赋值用法详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。