我有一個模型，我需要在每N次迭代中爲權重（可訓練變量）分配新的外部值。零星地分配值給變量（佔位符vs feed_dict）
我能想到的幾個解決方案：
保存和恢復
沒有好，因爲我需要系列化，經過一個文件系統調用等。（即使我使用的東西喜歡的tmpfs）
使用佔位符和分配操作
我將創建一個佔位符和每個訓練的變量賦值運算。每次我想給權重分配一些東西時，我都運行了分配操作。
但是，我知道這意味着我將被迫在每個feed_dict中考慮這些佔位符並每次傳遞虛擬值我在圖中運行任何操作。
此外，我會使用更多的內存比需要..
使用的每個變量分配給自身訓練的變量和觸發OPS一個feed_dict？
這是行不通的？有什麼缺點嗎？
編碼之前我認爲這是個好主意嗎？ 什麼是推薦的方式來有效地分配新的外部值給變量（內存/時間）？
在最新版本的Tensorflow Variable類中有load方法。它確實是你想要的。
您可以對佔位符使用賦值操作。
我將不得不考慮在每個feed_dict這些佔位符，並通過虛擬值，每次我在圖形運行的任何操作
此外，我會使用更多的內存比需要..
不需要。您只需在運行分配操作時將值提供給佔位符。不要將分配操作作爲訓練圖的一部分，只在您想分配新值時運行它們。
如果分配結果是一個瓶頸（小N可能會減慢你的程序），你可以考慮other methods獲取數據到TensorFlow中。
我瞭解，佔位符必須飼餵所有的時間和不僅依賴於它們的操作。優秀。謝謝！ – purpletentacle
@ mtk99沒問題。但在另一個答案實際上是一個更好的解決方案。我不知道你可以直接喂張量。 – BlueSun
您的3-rd選項聽起來是最好的選擇。
您可以將值填入tensors that aren’t placeholders。
TensorFlow的提要機制允許您將數據注入 計算圖中的任何張量。因此Python計算可以直接將數據 提供給圖形。
可餵食任何可張力的張量。要檢查張量是否可以輸送，請使用：tf.Graph.is_feedable(tensor)。
這是完美的！謝謝！ – purpletentacle