Tensorflow：get_tensor_by_name 与 get_operation_by_name 的区别？

Question

答案here 说一个返回一个操作，而另一个返回一个张量。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。我应该将它恢复为操作还是张量？恐怕如果我将它恢复为张量，我只会得到 logits 的最后计算值；尽管如此，here 的帖子似乎表明没有区别，或者我应该只使用get_tensor_by_name。这个想法是计算一组新输入的 logits，然后做出相应的预测。

Answer 1

简短回答：您可以同时使用get_operation_by_name() 和get_tensor_by_name()。长答案：

tf.Operation

当你打电话时

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，它对其输入执行一些操作并产生一个或多个输出。在这种情况下，它是 plus 操作。

人们总是可以在会话中评估一个操作，如果这个操作需要一些占位符值来输入，引擎将强制你提供它们。一些操作，例如读取一个变量，没有任何依赖，可以在没有占位符的情况下执行。

在您的情况下，（我假设）logits 是根据输入占位符 x 计算得出的，因此如果没有特定的 x，logits 就没有任何价值。

tf.Tensor

另一方面，调用

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

...返回一个对象tensor，其类型为tf.Tensor：

表示Operation 的输出之一。

Tensor 是Operation 的输出之一的符号句柄。 它不保存该操作输出的值，而是 提供了一种在 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？ Tensor 可以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。