这两天看batch normalization的代码时，碰到一个函数tf.train.ExponentialMovingAverage()，在样例代码中看到了tf.assign()函数，特此记录。
tf.assign(
ref,
value,
validate_shape=None,
use_locking=None,
name=None)
参数：
-
ref是一个可变的张量。应该来自一个变量节点。可能是未初始化的。
-
value一个张量。必须具有与ref相同的类型。要分配给变量的值。
Returns :
A Tensor that will hold the new value of ‘ref’ after the assignment has completed.
一个’张量’，它将在赋值完成后保持ref的新值。
Same as “ref”. Returned as a convenience for operations that want to use the new value after the variable has been reset.
将value赋值给ref，并输出ref，即ref=value。为希望在重置变量后使用新值的操作提供方便。
例子1：
import tensorflow as tf
a = tf.Variable([10, 20])
b = tf.assign(a, [20, 30])
c = a + [10, 20]
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("a:",sess.run(a)) # => [10 20]
print("c:",sess.run(c)) # => [10 20]+[10 20]=[20 40],因为b没有被run所以a还是[10 20]
print("b:",sess.run(b)) # => ref:a=[20 30],运行b，对a进行assign
print("a_1:",sess.run(a)) # => [20 30],因为b被run过了，所以a为[20 30]
print("c_1:",sess.run(c)) # => [20 30]+[10 20]=[30 50],因为b被run过了，所以a为[20,30], 那么c就是[30 50]
> a: [10 20]
> c: [20 40]
> b: [20 30]
> a_1:[20 30]
> c_1: [30 50]
returns中强调需要在assign()被执行了才会返回新值，根据上面的例子1我们就好理解多了，下面再来看一下例子。
例子2：
import tensorflow as tf
a = tf.Variable([10, 20])
b = tf.assign(a, [20, 30])
c = b + [10, 20]
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(a)) # => [10 20]
print(sess.run(c)) # => [30 50],运行c的时候，由于c中含有b，所以b也被运行了
print(sess.run(a)) # => [20 30]
> [10 20]
> [30 50]
> [20 30]
所以我们发现如果assign未被执行，那么ref值就不更新。