[tf]tf.assign和 = 的区别

引用
引用

• tf.assign是创建一个操作符这个操作符具有这个值变量的值，而=是Python中的赋值，tensorflow函数的操作会新建一个节点，如果用Python的=那么就相当于将变量的引用给到这个新节点上，但是在计算图上并没有相应的赋值操作节点（因为只是python对于等式右边节点的一个引用而已），而如果使用tf.assign的话计算图中有赋值节点。
• 你只要分清哪些是tensorflow中的操作和哪些是python语言的引用操作，就能分清哪些是在建图，哪些只是在改变引用。

第一个例子：因为op是tensorflow中的一个结点，而assign_add是对原始的节点a进行赋值，所以最终的结果是7。

a = tf.Variable(3)
op = tf.assign_add(a,1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    sess.run(op)
    sess.run(op)
    sess.run(op)
    sess.run(op)
    print(sess.run(a))
>>7

第二个例子：注意a = a + 1的实际操作是首先将右边a的节点加上1，这是一个新建节点操作，a+1返回的是这个新建节点，此时a = 新建节点。也就是a引用的节点地址从变量a变成了a+1操作符的引用，我们打印出来可以看到，此时的a是一个add操作。这是run(a)就不会修改原始节点name="a"的值，也就是始终为1，也就是关键问题是在计算图上没有给原始的变量a进行赋值，所以他的值始终是1，加了1以后add操作符打印出来是2。

a = tf.Variable(3)
a = a + 1

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    sess.run(a)
    sess.run(a)
    sess.run(a)
    sess.run(a)
    print(a)
    print(sess.run(a))
>>Tensor("add:0", shape=(), dtype=int32)
4