Tensorflow：tf.identity 和'='运算符有什么区别

Question

我对 '=' 运算符感到困惑，而 tf.identity()，我认为 '=' 只是对张量进行引用，而 identity 是进行复制，例如,

ref = x
ref = ref*0
sess.run(x)

我将 x 全部设置为 0 元素，并且

copy = tf.identity(x)
copy = ref*0
sess.run(x)

x不会变，因为identity make copy，不是reference，但是通过实验，'='也做copy并且x没有设置为0，所以有什么不同？

Answer 1

不同之处仅在于 tensorlfow 图形布局。 tf.identity 在图中创建一个模仿其参数的 new op，而纯赋值添加一个 new python 变量指向相同的操作。

在这两种情况下（ref 和 x 对或 copy 和 x 对），两个操作的计算结果始终相同。但在第二种情况下，tf.get_default_graph().get_operations() 将在列表中显示一个名为 Identity.

的新操作

sess = tf.InteractiveSession()
x = tf.Variable(1.0)
sess.run(x.initializer)

ref = x
copy = tf.identity(x)
print(x.eval(), copy.eval(), ref.eval())  # 1.0 1.0 1.0

sess.run(x.assign(2.0))
print(x.eval(), copy.eval(), ref.eval())  # 2.0 2.0 2.0

print(tf.get_default_graph().get_operations())

您可能想知道，既然可以简单地分配任务，为什么有人要引入新操作。有些情况下赋值不起作用，但 tf.identity 起作用，正是因为它创建了一个新的操作，例如在控制流中。看到这个问题：.

Answer 2

已接受的答案似乎不再正确，至少在急切执行时是这样。 tf.identity 将 return 具有相同值的不同张量，因此它等价于 <variable>.read_value()。这是文档中的示例，显示了当前行为：

a = tf.Variable(5)
a_identity = tf.identity(a)
a.assign_add(1)

a.numpy() # 6 

a_identity.numpy() # 5

因此，我们看到在 tf.identity 编辑的张量上执行的操作不会影响调用它的张量。

Tensorflow：tf.identity 和'='运算符有什么区别

Tensorflow: what is the difference between tf.identity and '=' operator

python

graph

variable-assignment

assignment-operator

tensorflow