tf中assign()函数可用于对变量进行更新包括变量的value和shape。

涉及以下函数：

• tf.assign(ref, value, validate_shape = None, use_locking = None, name=None)
• tf.assign_add(ref, value, use_locking = None, name=None)
• tf.assign_sub(ref, value, use_locking = None, name=None)
• tf.variable.assign(value, use_locking=False)
• tf.variable.assign_add(delta, use_locking=False)
• tf.variable.assign_sub(delta, use_locking=False)

这6个函数本质上是一样的，都是用来对变量值进行更新，其中tf.assign还可以更新变量的shape。

解释一下它们的意思：tf.assign是用value的值赋给ref，这种赋值会覆盖掉原来的值，即更新而不会创建一个新的tensor。tf.assign_add相当于ref=ref+value来更新ref。tf.assign_sub相当于ref=ref-value来更新ref。tf.variable.assign相当于tf.assign(ref, value)。同理tf.variable.assign_add和tf.variable.assign_sub。

下面对tf.assign函数进行详细说明。

tf.assign(ref, value, validate_shape = None, use_locking = None, name=None)

args:

• ref：一个可变的张量。应该来自变量节点，节点可能未初始化，参考下面的例子。
• value：张量。必须具有与 ref 相同的类型。是要分配给变量的值。
• validate_shape：一个可选的 bool。默认为 True。如果为 true, 则操作将验证 "value" 的形状是否与分配给的张量的形状相匹配；如果为 false, "ref" 将对 "值" 的形状进行引用。
• use_locking：一个可选的 bool。默认为 True。如果为 True, 则分配将受锁保护;否则, 该行为是未定义的, 但可能会显示较少的争用。
• name：操作的名称（可选）。

返回：

一个在赋值完成后将保留 "ref" 新值的张量。

现在举三个例子，说明三个问题：

例子1：assign操作会初始化相关的节点，并不需要tf.global_variables_initializer()初始化，但是并非所有的节点都会被初始化。

#-*-coding:utf-8-*-

import tensorflow as tf

import numpy as np

weights=tf.Variable(tf.random_normal([1,2],stddev=0.35),name="weights")

biases=tf.Variable(tf.zeros([3]),name="biases")

x_data = np.float32(np.random.rand(2, 3)) # 随机输入2行3列的数据

y = tf.matmul(weights, x_data) + biases

update=tf.assign(weights,tf.random_normal([1,2],stddev=0.50))#正确

#update=weights.assign(tf.random_normal([1,2],stddev=0.50))#正确，和上句意义相同

#init=tf.global_variables_initializer()

with tf.Session() as sess:

    #sess.run(init)

    for _ in range(2):

        sess.run(update)

        print(sess.run(weights))#正确，因为assign操作会初始化相关的节点

        print(sess.run(y))#错误，因为使用了未初始化的biases变量

例子2：tf.assign()操作可以改变变量的shape，只需要令参数validate_shape=False，默认为True。

#-*-coding:utf-8-*-

import tensorflow as tf

x = tf.Variable(0)

y = tf.assign(x, [5,2], validate_shape=False)

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    print (sess.run(x))#输出0

    print (sess.run(y))#输出[5 2]

    print (sess.run(x))#输出[5 2]

例子3：assign都会在图中产生额外的操作，可用tf.Variable.load(value, session)实现从图外赋值不产生额外的操作。

#-*-coding:utf-8-*-

import tensorflow as tf

x = tf.Variable(0)

sess = tf.Session()

sess.run(tf.global_variables_initializer())

print(sess.run(x))  # 输出 0

x.load(5, sess)

print(sess.run(x))  # 输出 5