tf.assign()迭代增量异常：每次增2而非1的原因及解决方法

嘿，这个问题我太熟悉了，咱们一步步来拆解：

1. 为什么val每次会增加2？ #

核心原因是你在每次循环里执行了两次assign_op操作！

先看你循环里的代码：

sess.run(assign_op)
print(iter, x.eval(),y.eval(),"val",val.eval(),"assign_op", assign_op.eval())

在TensorFlow旧版的图模式里，assign_op是一个计算图节点，它的逻辑是把val+1的值重新赋值给val。而：

• sess.run(assign_op)会执行一次这个赋值操作，此时val已经加1；
• 后面的assign_op.eval()本质上等价于sess.run(assign_op)，又执行了一次赋值操作，val再次加1。

两次执行下来，每次循环val就会增加2，这就是你看到异常结果的原因。

2. 如何修改让val每次仅增加1？ #

只需要保证**每次循环只执行一次assign_op**就行，这里有两种简洁的修改方式：

方式一：移除对assign_op的重复eval #

既然已经通过sess.run(assign_op)完成了赋值，就不需要再eval它了，直接打印val的当前值即可：

iters = 10
x = tf.constant(1, dtype=tf.float32, name="X")
y = tf.constant(2, dtype=tf.float32, name="y")
val = tf.Variable(y-x, name="val")
assign_op = tf.assign(val, val+1)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print("val_init",val.eval())
    for iter in range(iters):
        sess.run(assign_op)
        # 只打印val的当前值，不再触碰assign_op
        print(iter, x.eval(), y.eval(), "val", val.eval())

方式二：一次性获取所有需要的值（更高效） #

TensorFlow中，sess.run()可以同时获取多个张量的结果，这样能减少图的执行次数，效率更高：

iters = 10
x = tf.constant(1, dtype=tf.float32, name="X")
y = tf.constant(2, dtype=tf.float32, name="y")
val = tf.Variable(y-x, name="val")
assign_op = tf.assign(val, val+1)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print("val_init",val.eval())
    for iter in range(iters):
        # 一次run获取赋值后的val、x、y的值
        new_val, x_val, y_val = sess.run([assign_op, x, y])
        print(iter, x_val, y_val, "val", new_val)

这里assign_op执行后会返回新的val值，所以直接用这个结果就好，不需要再单独eval val了。

运行修改后的代码，val就会每次循环只增加1啦！

内容的提问来源于stack exchange，提问作者sebtac