更新tensorflow中的变量值

Question

我有一个关于通过tensorflow python api更新张量值的基本问题。

考虑代码片段：

x = tf.placeholder(shape=(None,10), ...) 
y = tf.placeholder(shape=(None,), ...) 
W = tf.Variable(randn(10,10), dtype=tf.float32) 
yhat = tf.matmul(x, W) 

现在让我们假设我想实现某种算法，用于迭代更新W的值（例如一些优化算法中）。这将涉及类似步：

for i in range(max_its): 
    resid = y_hat - y 
    W = f(W , resid) # some update 

这里的问题是，W在LHS是一个新的张量，而不是在yhat = tf.matmul(x, W)使用W！也就是说，创建了一个新变量，并且我的“模型”中使用的W的值不会更新。

现在围绕这一方法是

for i in range(max_its): 
    resid = y_hat - y 
    W = f(W , resid) # some update 
    yhat = tf.matmul(x, W) 

导致创建一个新的“模式”我的每个循环迭代的！

有没有一种更好的方式来实现这个（在python中），而不是为循环的每次迭代创建一大堆新模型 - 而是更新原始张量W“in-place”可以这么说？

Answer 1

变量有一个赋值方法。尝试：W.assign(f(W,resid))

Answer 2

@ aarbelle的简洁答案是正确的，我会扩展一下以防有人需要更多信息。最后2行用于更新W.

x = tf.placeholder(shape=(None,10), ...) 
y = tf.placeholder(shape=(None,), ...) 
W = tf.Variable(randn(10,10), dtype=tf.float32) 
yhat = tf.matmul(x, W) 

... 

for i in range(max_its): 
    resid = y_hat - y 
    update = W.assign(f(W , resid)) # do not forget to initialize tf variables. 
    # "update" above is just a tf op, you need to run the op to update W. 
    sess.run(update)