Tensorflow：将值提供给变量是否会永久覆盖其值？

Question

我有一个带有权重的NN模型，我需要能够使用一定的推论来推论（和学习）一组权重A，有时还包括一组权重B。我知道我可以将值提供给变量，而不仅是占位符，但是如果这样做，我会在请求的op节点的执行窗口内永久覆盖变量值或它是临时的？

例如，假设我使用权重集合A构建了图形并学习了一个模型。如果我想使用另一个权重集合B进行推理，则可以执行以下操作：

sess.run(output, feed_dict={input:input, weights:weightsB}) #inference

我的问题是：如果我输入weightsB值，它们会永久覆盖网络的值吗？如果下次我会跑

sess.run(output, feed_dict={input:input}) #inference

使用权重A还是权重B？

Answer 1

在TensorFlow中，一步输入变量值不会值影响存储在该变量中的值。在后续步骤中，如果使用变量，它将继续使用其先前的值。

请注意，如果您希望供稿在以后的步骤中更改变量的值，则应使用类似以下的结构将值显式分配给变量：

v = tf.Variable(...)
v_update_placeholder = tf.placeholder(v.dtype, shape=v.shape)
v_update_op = v.assign(v_update_placeholder).op

# ...

sess.run(v_update_op, feed_dict={v_update_placeholder: ...})