TensorFlow修改变量值后,需要重新赋值,指定用起来有点小技巧,就是需要需要弄个操作子,运行一下。
<强>下面这么用是不行的强>
进口tensorflow特遣部队 进口numpy np x=tf.Variable (0) init=tf.initialize_all_variables () 税=tf.InteractiveSession () sess.run (init) print (x.eval ()) x.assign (1) print (x.eval ()) >之前
<强> 1。强>
进口tensorflow特遣部队 x=tf.Variable (0) y=特遣部队。分配(x, 1) 与tf.Session税(): sess.run (tf.global_variables_initializer ()) 打印sess.run (x) 打印sess.run (y) 打印sess.run (x) >之前<强> 2。强>
在[212]:w=tf.Variable (12) 在[213]:w_new=w.assign (34) 在[214]:tf.Session税(): …:sess.run (w_new) …:打印(w_new.eval ()) #输出 34 >之前<强> 3。强>
进口tensorflow特遣部队 x=tf.Variable (0) 税=tf.Session () sess.run (tf.global_variables_initializer ()) 打印(sess.run (x) #打印0。 x。负载(税) 打印(sess.run (x) #打印1。 >之前
进口numpy np #这是Python的一种开源的数值计算扩展,非常强大 进口tensorflow tf #导入tensorflow # # # #构造数据 x_data=https://www.yisu.com/zixun/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# # 重量=tf.Variable (tf.random_uniform ([1], -1.0, 1.0)) 偏见=tf.Variable (tf.zeros ([1])) y=重量* x_data +偏见 w1=重量* 2 损失=tf.reduce_mean (tf.square (y-y_data)) #判断与正确值的差距 优化器=tf.train.GradientDescentOptimizer(0.5) #根据差距进行反向传播修正参数 火车=optimizer.minimize(亏损)#建立训练器 init=tf.global_variables_initializer() #初始化TensorFlow训练结构 #税=tf.Session() #建立TensorFlow训练会话 税=tf.InteractiveSession () sess.run (init) #将训练结构装载到会话中 print(“重量”,weight.eval ()) 一步的范围(400):#循环训练400次 sess.run(火车)#使用训练器根据训练结构进行训练 如果一步% 20==0:#每20次打印一次训练结果 打印(步骤,sess.run(重量),sess.run(偏见))#训练次数,值,B值 打印(sess.run(损失) print(体重新,weight.eval ()) # wop=weight.assign ([3]) # wop.eval () weight.load([1],税) print (w1, w1.eval ()) >之前以上这篇对TensorFlow的分配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。
对TensorFlow的分配赋值用法详解