本文共 5331 字，大约阅读时间需要 17 分钟。

这篇教程是翻译写的TensorFlow教程，作者已经授权翻译，这是。

目录

在本文中，我们将围绕变量更新和控制依赖讨论更深层次的 TensorFlow 能力。

变量更新

到目前为止，我们已经将变量专门用于我们模型中的一些权重，这些权重将根据优化器的操作进行更新操作（如：Adam）。但是优化器并不是更新变量的唯一方法，还有别的一整套更高级的函数可以完成这个操作（你将再次看到，这些更高级的函数将作为一种操作添加到你的图中）。

最基本的自定义更新操作是 tf.assign() 操作。这个函数需要一个变量和一个值，并将值分配给这个变量，非常简单吧。

让我们来看一个例子：

import tensorflow as tf# We define a Variablex = tf.Variable(0, dtype=tf.int32)# We use a simple assign operationassign_op = tf.assign(x, x + 1)with tf.Session() as sess:  sess.run(tf.global_variables_initializer())  for i in range(5):    print('x:', sess.run(x))    sess.run(assign_op)# outputs:# x: 0# x: 1# x: 2# x: 3# x: 4

这里没有什么特别地，就跟任何其他操作一样：你能在会话（session）中调用它，并且操作确保会发生变量更新。

我们将这个操作（assign）跟通常的优化器 train_op 进行比较。两者都做同样的事情：变量更新。唯一的区别是，优化器在进行变量更新之前，需要做大量的微积分操作。

TF 有许多的函数来支持手动更新变量，你可以在 TensorFlow 的函数帮助页面进行查看，很多的操作都可以被一些张量操作来取代，然后调用 tf.assign 函数来实现更新操作，但在一些情况下，这将会是非常麻烦的一件事。所以，TensorFlow 为我们提供了两种更新操作：

• 这些操作被用于稀疏更新（仅仅更新变量的一个子集）：

• 这些操作被用于稠密更新（一次更新一整个集合）：

我不会深挖这些函数的功能。其中一些函数可能你现在不是很理解，我的建议是你可以通过一个很简单的脚本来学习这些函数，然后再写入你的实际模型中，这种方法会帮助你节约很多的调试时间。

最后再谈一下参数更新：如果我们想改变参数的维度呢？例如，在参数中多添加一行或者一列？到目前为止，我们一直在谈论 “assign” 这个概念，并没有涉及到维度的改变。

这个问题是可以被解决的，但是比较棘手：

• tf.Variable 函数中有一个参数 validate_shape 默认是设置为 True 。它阻止你对参数进行维度更新，所以我们必须将这个参数设置为 False 。

• 这个参数也存在于 tf.assign 函数中，所以我们也必须将这个参数进行关闭。

让我们看个例子：

import tensorflow as tf# We define a "shape-able" Variablex = tf.Variable(    [], # A list of scalar    dtype=tf.int32,    validate_shape=False, # By "shape-able", i mean we don't validate the shape so we can change it    trainable=False)# I build a new shape and assign it to xconcat = tf.concat([x, [0]], 0)assign_op = tf.assign(x, concat, validate_shape=False) # We force TF, to skip the shape validation stepwith tf.Session() as sess:  sess.run(tf.global_variables_initializer())  for i in range(5):    print('x:', sess.run(x), 'shape:', sess.run(tf.shape(x)))    sess.run(assign_op)# outputs:# x: [] shape: [0]# x: [0] shape: [1]# x: [0 0] shape: [2]# x: [0 0 0] shape: [3]# x: [0 0 0 0] shape: [4]

所以这也不是很难，对吧！让我们继续吧。

控制依赖

我们可以更新变量，但是如果你要在更新当前变量之前更新别的变量，那么这会造成一个严重问题：你需要调用很多次的 sess.run 来满足这个需求。这非常不实用，也没有效率。请记住，我们将参数留在图中更多，那么效率会更高。

那么有什么办法吗？当然有，那就是控制依赖。TF 提供了一组的函数来处理不完全依赖情况下的操作排序问题（就是哪个操作先执行的问题）。

让我们从最简单的例子开始：我们先构造一个拥有一个变量（Variable）和一个占位符（placeholder）的图，用来执行一个乘法操作。在每次进行乘法之前，我们需要对参数（Variable）进行更新操作，每次加一。那么，我们在实际的编程中怎么做到这一点呢？

如果我们开始天真的方式，只需要添加一个 tf.assign 调用就可以了，那么我们将得到如下结果：

import tensorflow as tf# We define our Variables and placeholdersx = tf.placeholder(tf.int32, shape=[], name='x')y = tf.Variable(2, dtype=tf.int32)# We set our assign opassign_op = tf.assign(y, y + 1)# We build our multiplication (this could be a more complicated graph)out = x * ywith tf.Session() as sess:  sess.run(tf.global_variables_initializer())  for i in range(3):    print('output:', sess.run(out, feed_dict={x: 1}))# outputs:# output: 2# output: 2# output: 2

从结果中我们可以看出，这种操作方式并不 work ：我们的变量（Variable）并没有增长，输出结果一直都是 2 。

如果你仔细查看上面的代码，并且在脑中构建这个图，你就可以清楚的看到，如果要计算 x 和 y 之间的乘法，该图不需要计算 assign_op ：因为如何对 y 进行更新操作，已经拥有了很好的定义。

为了解决这个问题，使得 y 能进行更新，我们需要一种方法来强制 TF 运行 assign_op 操作。

这种操作确实是存在的！我们可以添加一个控制依赖来做这件事。这样就像 Graph 或者 Variables 一样，我们能将它和 Python 语句一起使用。

让我们来看一个例子：

import tensorflow as tf# We define our Variables and placeholdersx = tf.placeholder(tf.int32, shape=[], name='x')y = tf.Variable(2, dtype=tf.int32)# We set our assign opassign_op = tf.assign(y, y + 1)# We build our multiplication, but this time, inside a control depedency scheme!with tf.control_dependencies([assign_op]):    # Now, we are under the dependency scope:    # All the operations happening here will only happens after     # the "assign_op" has been computed first    out = x * ywith tf.Session() as sess:  sess.run(tf.global_variables_initializer())  for i in range(3):    print('output:', sess.run(out, feed_dict={x: 1}))# outputs:# output: 3# output: 4# output: 5

一切都按照我们的想法进行工作了。TF 看到了我们设置的依赖关系，所以它在运行依赖关系里面的操作之前，它会运行 assign_op ，这里有一个可视化结果：

• 在上图，图并不会去计算 assign_op 。

• 在下图，控制依赖在计算乘法之前会强制图去计算 assign_op 。

一个陷阱

在前面我们讨论了如何去改变变量的维度。但是有一些地方需要注意，当我们使用控制依赖去改变变量维度时，那么我们进入了一个黑盒优化层面。

比如，你可以先查看一下这段代码：

import tensorflow as tf# I define a "shape-able" Variablex = tf.Variable(    [],     dtype=tf.int32,    validate_shape=False, # By "shape-able", i mean we don't validate the shape    trainable=False)# I build a new shape and assign it to xconcat = tf.concat([x, [0]], 0)assign_op = tf.assign(x, concat, validate_shape=False)with tf.control_dependencies([assign_op]):    # I print x after the assignment    x = tf.Print(x, data=[x, x.read_value()], message="x, x_read:")    # The assign_op is called, but it seems that print statement happens    # before the assignment, that is wrong.with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    for i in range(3):        sess.run(x)# outputs:# x: []   , x_read:  [0]# x: [0]  , x_read:  [0 0]# x: [0 0], x_read:  [0 0 0]

让我们仔细看看这段代码：

• 打印操作依赖于 assign_op ，它只能在 x 被更新之后计算。

• 然而，当我们打印 x 的时候，它看起来好像没有更新。

• 但实际上，由于我们可以使用特殊的 read_value 函数来获取 x 的真正值。

发生了什么事情？？上述代码更像是一个BUG而不是一个好的功能，而且 TF 正在利用高速缓存来加速你的计算，但是这恰恰也是可能遇到的一个BUG，请小心这两点。

结束语

那么，我们怎么来使用这些新的性能呢？其中一点我想到的是，维度变化这个功能可以用在 NLP 问题中的句子长度不一问题，如果你在处理词向量问题时，遇到句子之间的长度不同，那么你不需要添加 <UNK> 之类的标志，直接改变维度就可以了。

注意：我不确定这个想法是否能产生好的效果，如果你做了实验，那么我很想听到实验结果，感谢！

Reference：

如果觉得内容有用，帮助多多分享哦 :)

长按或者扫描如下二维码，关注 “CoderPai” 微信号（coderpai）。添加底部的 coderpai 小助手，添加小助手时，请备注 “算法” 二字，小助手会拉你进算法群。如果你想进入 AI 实战群，那么请备注 “AI”，小助手会拉你进AI实战群。