由于python內部的變量其實都是reference，而Tensorflow實現的時候也沒有意義去判斷輸出是否是同一變量名，從而判定是否要新建一個Tensor用于輸出。Tensorflow為了滿足所有需求，定義了兩個不同的函數：tf.add和tf.assign_add。從名字即可看出區別，累加應該使用tf.assign_add。同理的還有tf.assign_sub和tf.assign。

具體地，筆者需要一個iteration counter類似的變量，即每次使用一個batch更新參數之后都使得該變量加一，進而控制learning rate等參數來調節學習過程。

最初的實現如下：

a = tf.Variable(tf.zeros(1))a = tf.add(a,tf.ones(1))sess = tf.Session()sess.run(tf.global_variable_initializer())for i in range(1000):  print(sess.run(a))

那因為第一行代碼輸出的a和第二行代碼輸出的a，雖然變量名相同，但是實質指向的變量以及空間都不同，每次輸出的都是1。

更改后的代碼則是如下：

a = tf.Variable(tf.zeros(1))a = tf.assign_add(a,tf.ones(1))sess = tf.Session()sess.run(tf.global_variable_initializer())for i in range(1000):  print(sess.run(a))

以上這篇Tensorflow累加的實現案例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持武林站長站。