Qual è la differenza tra tf.sub e solo meno un'operazione in tensorflow?

Question

Sto cercando di usare Tensorflow. Ecco un codice molto semplice.

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) 

Basta ignorare la parte di ottimizzazione (4a riga). Ci vorrà un numero variabile e treno W1 in modo da aumentare la differenza al quadrato.

La mia domanda è semplice. Se io uso solo segno meno, invece di tf.sub" come sotto, ciò che è diverso? Sarà causare un risultato che non va?

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

Quando lo sostituisco, il risultato appare lo stesso. Se sono le stesse , perché abbiamo bisogno di usare le cose "tf.add/tf.sub"

cose integrata nel calcolo di propagazione può essere fatto solo dal

Answer 1

Sì,? "TF *." -? e + risolvi in ​​tf.sub ad tf.add. Se guardi il codice di tensorflow vedrai che questi operatori su tf.Variable sono sovraccarichi dei metodi tf. *

Per quanto riguarda il motivo per cui entrambi esistono, suppongo che i termini * esistano per coerenza. Quindi, sotto e dire operazione matmul può essere utilizzato allo stesso modo. Mentre il sovraccarico dell'operatore è per comodità.

Answer 2

(tf.sub sembra essere stato sostituito con tf.subtract)

L'unico vantaggio che vedo è che è possibile specificare un nome dell'operazione come in:

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

Questo consente di identificare l'operazione che ha causato un errore come il nome fornito è anche mostrato:

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

può anche aiutare con comprensione TensorBoard. Potrebbe essere eccessivo per la maggior parte delle persone poichè python mostra anche il numero di riga che ha attivato l'errore.