TensorFlow中Variable赋值与assign操作的正确用法解析

方予

发布时间：2026-10-13 | 6人浏览过

原创

本文详细解析TensorFlow中修改变量值的正确方法。指出直接调用assign无法立即生效，需通过Session运行操作子。对比错误用法与正确写法，介绍assign、load及在梯度下降训练中的应用，帮助开发者避免常见陷阱，掌握变量更新的规范操作。

在TensorFlow中修改Variable的值后，必须通过特定的操作机制重新赋值。使用assign函数时有一个关键技巧：仅仅调用assign是不够的，必须将其作为一个操作子（Operation）在Session中运行，变量值才会真正更新。

以下是一种常见的错误使用方式，直接调用assign而不执行操作，变量值不会发生变化。

import tensorflow as tf
import numpy as np
 
x = tf.Variable(0)
init = tf.initialize_all_variables()
sess = tf.InteractiveSession()
sess.run(init)
 
print(x.eval())
 
x.assign(1)
print(x.eval())

正确的使用方式如下所示。

第一种方法是创建assign操作并运行它。首先初始化变量，然后定义assign操作，最后在Session中运行该操作以更新变量值。

import tensorflow as tf
x = tf.Variable(0)
y = tf.assign(x, 1)
with tf.Session() as sess:
 sess.run(tf.global_variables_initializer())
 print sess.run(x)
 print sess.run(y)
 print sess.run(x)

第二种方法是在交互式会话中直接使用eval。通过定义assign操作并运行它，可以直接获取更新后的值。

In [212]: w = tf.Variable(12)
In [213]: w_new = w.assign(34)
 
In [214]: with tf.Session() as sess:
  ...:  sess.run(w_new)
  ...:  print(w_new.eval())
 
# output
34

第三种方法是使用load方法。通过Session的load方法可以直接将新值加载到变量中，无需显式创建assign操作对象。

import tensorflow as tf
x = tf.Variable(0)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(x)) # Prints 0.
x.load(1, sess)
print(sess.run(x)) # Prints 1.

除了上述基本用法，在模型训练中，我们通常结合优化器（如GradientDescentOptimizer）来自动更新参数。通过最小化损失函数，优化器会自动调用assign或类似机制来更新权重和偏置，这是更常见的应用场景。

import numpy as np #这是Python的一种开源的数值计算扩展，非常强大
import tensorflow as tf #导入tensorflow 

##构造数据##
x_data=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##
weight=tf.Variable(tf.random_uniform([1],-1.0,1.0)) 
biases=tf.Variable(tf.zeros([1]))  
y=weight*x_data+biases

w1=weight*2

loss=tf.reduce_mean(tf.square(y-y_data)) #判断与正确值的差距
optimizer=tf.train.GradientDescentOptimizer(0.5) #根据差距进行反向传播修正参数
train=optimizer.minimize(loss) #建立训练器

init=tf.global_variables_initializer() #初始化TensorFlow训练结构
#sess=tf.Session() #建立TensorFlow训练会话
sess = tf.InteractiveSession() 
sess.run(init)  #将训练结构装载到会话中
print('weight',weight.eval())
for step in range(400): #循环训练400次
  sess.run(train) #使用训练器根据训练结构进行训练
  if step%20==0: #每20次打印一次训练结果
  print(step,sess.run(weight),sess.run(biases)) #训练次数，A值，B值
  
print(sess.run(loss))  
print('weight new',weight.eval())


#wop=weight.assign([3])
#wop.eval()
weight.load([1],sess)
print('w1',w1.eval())

以上关于TensorFlow中变量赋值及assign用法的详解内容到此结束，希望能为读者提供有价值的参考。欢迎继续支持本站获取更多技术分享。