关于"tensorflow.initialize_all_variables()"

我想知道以下两段代码之间的区别是什么:

import tensorflow as tf
x = tf.Variable(0, name='x')
model = tf.initialize_all_variables()
with tf.Session() as session:
    for i in range(5):

        session.run(model)
        x = x + 1

        print(session.run(x))

import tensorflow as tf
x = tf.Variable(0, name='x')
model = tf.initialize_all_variables()
with tf.Session() as session:
    for i in range(5):

        x = x + 1
        session.run(model)

        print(session.run(x))

唯一的区别是"x = x + 1"和"session.run(model)"的顺序.我认为它会对输出产生很大的影响,因为session.run(model)会初始化所有变量.但是,这两个代码块输出相同的东西......

代码从教程中复制:http://learningtensorflow.com/lesson2/

是的,这里有点棘手.Tensorflow的一个重要概念是延迟评估,这意味着首先构建节点的Tensorflow图,并且仅在session.run处对图进行评估.

对于这行代码x = x + 1,这里的x是Tensor类型,而这里的+是重载的tf.add,所以x = x + 1实际上构建了图形,没有计算发生; 并且在每次迭代时,图形(在这种情况下为二叉树)添加一个层(一个嵌套的和).session.run(model)将始终将x初始化为0,session.run(x)将根据到目前为止在该迭代中构造的图计算x.例如,在迭代4中,x被加1,持续4次,因为此迭代的图形具有4个嵌套和(或层).

如果这对你有意义,我认为"两个代码基本相同"也是有道理的.

注意:严格来说,在第一次迭代中,右侧的x是Variable类型,但这些是细节,而不是我想要做的主要观点......