Tensorflow：差异get_tensor_by_name vs get_operation_by_name？

Question

回答here说一个人返回一个操作，而另一个人返回一个张量。从名称和文档中可以看出这一点。但是，假设我执行以下操作：

logits = tf.add(tf.matmul(inputs, weights), biases, name='logits')

我遵循Tensorflow Mechanics 101中描述的模式。我应该将其恢复为手术还是张力？我担心如果我将其恢复为张量，我将只获得logits的最后计算值;尽管如此，后here，似乎表明没有区别或我应该只使用get_tensor_by_name。我们的想法是计算一组新输入的logits，然后相应地进行预测。

Answer 1

简短的回答：你可以同时使用get_operation_by_name()和get_tensor_by_name()。答案很长：

tf.Operation

你打电话的时候

op = graph.get_operation_by_name('logits')

...它返回一个tf.Operation类型的实例，它是计算图中的一个节点，它在其输入上执行一些操作并产生一个或多个输出。在这种情况下，它是一个plus操作。

人们可以随时评估会话中的操作，如果此操作需要输入一些placehoder值，引擎将强制您提供它们。一些操作，例如读取变量，没有任何依赖关系，并且可以在没有占位符的情况下执行。

在你的情况下，（我假设）logits是从输入占位符x计算的，所以logits没有特定的x没有任何值。

tf.Tensor

另一方面，打电话

tensor = graph.get_tensor_by_name('logits:0')

...返回一个对象tensor，其类型为tf.Tensor：

代表Operation的一个输出。

Tensor是Operation输出之一的象征性句柄。它不保存该操作的输出值，而是提供在TensorFlow tf.Session中计算这些值的方法。

因此，换句话说，张量评估与操作执行相同，并且上述所有限制也适用。

为什么Tensor有用？可以将Tensor作为输入传递给另一个Operation，从而形成图形。但在您的情况下，您可以假设两个实体的含义相同。