tf.sub 和 tensorflow 中的负运算有什么区别？

Question

我正在尝试使用 Tensorflow。这是一个非常简单的代码。

train = tf.placeholder(tf.float32, [1], name="train")
W1 = tf.Variable(tf.truncated_normal([1], stddev=0.1), name="W1")
loss = tf.pow(tf.sub(train, W1), 2)
step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

忽略优化部分（第4行）。它将取一个浮点数并训练W1以增加平方差。

我的问题很简单。如果我只使用减号而不是 tf.sub”如下，有什么不同？会不会导致结果错误？

loss = tf.pow(train-W1, 2)

当我替换它时，结果看起来是一样的。如果它们相同，为什么我们需要使用 "tf.add/tf.sub" 东西？

内置的反向传播计算只能通过"tf.*"的事情来完成？

Answer 1

是，- 和 + 解析为 tf.sub 广告 tf.add。如果您查看 tensorflow 代码，您会发现 tf.Variable 上的这些运算符被 tf.* 方法重载。

至于为什么两者都存在，我假设 tf.* 存在是为了保持一致性。所以 sub 和 say matmul 操作可以用同样的方式使用。而运算符重载是为了方便。

Answer 2

(tf.sub 似乎已替换为 tf.subtract)

我看到的唯一优点是您可以指定操作的名称，如下所示：

tf.subtract(train, W1, name='foofoo')

这有助于识别导致错误的操作，因为还会显示您提供的名称：

ValueError: Dimensions must be equal, but are 28 and 40 for 'foofoo' (op: 'Sub') with input shapes

它也可能有助于理解 TensorBoard。对于大多数人来说，这可能有点矫枉过正，因为 python 还显示了触发错误的行号。

tf.sub 和 tensorflow 中的负运算有什么区别？

What's difference between tf.sub and just minus operation in tensorflow?

python

tensorflow