Tensorflow variable und konstante Differenz, wenn für die Form

Question

In W = tf.Variable(tf.random_uniform(shape, -1.0, 0.0)) verwendet habe ich versucht, die folgenden drei Datentypen für shape:

shape = tf.constant([1]) # 1 
shape = [1]    # 2 
shape = tf.Variable([1]) # 3 

Dann rufen I:

init = tf.initialize_all_variables() 
sess = tf.Session() 
sess.run(init) 
print(sess.run(W)) 

Sowohl 1 und 2 Ausgänge richtig, etwas wie [-0.25340891]. Allerdings gibt 3 mir

ValueError: initial_value must have a shape specified: Tensor("random_uniform:0", shape=(?,), dtype=float32)

Ein vollständiges Codebeispiel:

import tensorflow as tf 
import numpy as np 

# shape = tf.constant([1]) # 1 
# shape = [1]    # 2 
shape = tf.Variable([1]) # 3 

W = tf.Variable(tf.random_uniform(shape, -1.0, 0.0)) 

init = tf.initialize_all_variables() 

sess = tf.Session() 
sess.run(init) 

print(sess.run(W)) 

Warum sollte dies geschehen?

Answer 1

Ihr Beispiel nicht aus zwei Gründen nicht funktioniert:

1. Wenn Sie W mit zufälligen initialisieren, sollte der init Wert Form angegeben hat, aber die Form nicht angegeben, da es eine Variable selbst ist und nicht eine Konstante. Das Hinzufügen von validate_shape = False verhindert dieses Problem.
2. initialize_all_variables() führt alle Eingänge parallel aus, aber Sie müssen zuerst die Variable 'shape' initialisieren. Das explizite Initialisieren von Variablen in der erforderlichen Reihenfolge löst dieses Problem.

Arbeitscode:

import tensorflow as tf 
import numpy as np 

shape = tf.Variable([1]) 
W = tf.Variable(tf.random_uniform(shape, -1.0, 0.0), validate_shape=False) 

sess = tf.Session() 
sess.run(shape.initializer) 
sess.run(W.initializer) 

print(sess.run(W))