tf.control_dependencies()用法

示例程序1：

观察下面程序可以发现，每更新一次update_a操作，就会更新a和b的值

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3

update_a = tf.assign(a, b)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出４

    print(sess.run(update_a))  # 输出４
    print(sess.run(b))  # 输出７,因为更新ａ后，得到ｂ的值需要重新加３，因此ｂ＝４＋３＝７
    print(sess.run(a))  # 输出４
    print(sess.run(b))  # 输出７

    print(sess.run(update_a))  # 输出７
    print(sess.run(b))  # 输出１０,因为更新ａ后，得到ｂ的值需要重新加３，因此ｂ＝７＋３＝１０
    print(sess.run(a))  # 输出７
    print(sess.run(b))  # 输出１０

示例程序2：

观察下面程序可以发现，此时tf.control_dependencies([update_a])并未执行update_a操作。因此a和b的值均未改变。

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3

update_a = tf.assign(a, b)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出４

    with tf.control_dependencies([update_a]):
        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出４

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出４

示例程序3：

观察下面程序可以发现，此时执行以下两条语句：

        e = tf.identity(b) + 5
        val = tf.identity(a)

。执行前后的a和b的值均未改变，说明这两条语句未执行update_a操作。

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3

update_a = tf.assign(a, b)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出４

    with tf.control_dependencies([update_a]):
        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出４

        e = tf.identity(b) + 5
        val = tf.identity(a)

        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出４

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出４

示例程序4：

观察下面程序可以发现， 执行print(sess.run(e)) 时，先输出９后，再执行update_a操作，update_a＝ａ＝ｂ＝４，ｂ＝ａ＋３＝７

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3

update_a = tf.assign(a, b)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出4

    with tf.control_dependencies([update_a]):
        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出4

        e = tf.identity(b) + 5

        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出4

    print(sess.run(e))  # 输出9
    # 输出９后，再执行update_a操作，update_a＝ａ＝ｂ＝４，ｂ＝ａ＋３＝７
    print(sess.run(a))  # 输出4
    print(sess.run(b))  # 输出7

    print(sess.run(e))  # 输出12
    # 输出12后，再执行update_a操作，update_a＝ａ＝ｂ＝7，ｂ＝ａ＋３＝10
    print(sess.run(a))  # 输出7
    print(sess.run(b))  # 输出10

示例程序5：

观察下面程序可以发现，执行print(sess.run(val))时，在输出4前，先执行update_a操作，update_a＝ａ＝ｂ＝４，ｂ＝ａ＋３＝７，然后val=a=4

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3

update_a = tf.assign(a, b)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出4

    with tf.control_dependencies([update_a]):
        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出4

        val = tf.identity(a)

        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出4

    # 输出4前，先执行update_a操作，update_a＝ａ＝ｂ＝４，ｂ＝ａ＋３＝７，然后val=a=4
    print(sess.run(val))  # 输出4
    print(sess.run(a))  # 输出4
    print(sess.run(b))  # 输出7

    # 输出7前，先执行update_a操作，update_a＝ａ＝ｂ＝7，ｂ＝ａ＋３＝10，然后val=a=7
    print(sess.run(val))  # 输出7
    print(sess.run(a))  # 输出7
    print(sess.run(b))  # 输出10

 示例程序5：

根据以上分析，可以轻松得到以下程序的输出结果

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3

update_a = tf.assign(a, b)

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出４

    with tf.control_dependencies([update_a]):
        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出４

        e = tf.identity(b) + 5
        val = tf.identity(a)

        print(sess.run(a))  # 输出１
        print(sess.run(b))  # 输出４

    print(sess.run(a))  # 输出１
    print(sess.run(b))  # 输出４

    print(sess.run(e))  # 输出９,输出９后，再执行update_a操作，update_a＝ａ＝ｂ＝４，ｂ＝ａ＋３＝７
    print(sess.run(a))  # 输出4
    print(sess.run(b))  # 输出7

    # 此时，先执行了update_a操作，update_a＝ａ＝ｂ＝７，ｂ＝ａ＋３＝１０，然后val = ａ　＝　7
    print(sess.run(val))  # 输出７
    print(sess.run(a))  # 输出７
    print(sess.run(b))  # 输出１０

  示例程序6：通过以下程序分析，print(sess.run([e, val]))，意为同时并行执行，互不干扰，且均会执行update_a操作，因此，他们并行输出的结果一致，即产生相同的a和b

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3
update_a = tf.assign(a, b)

with tf.control_dependencies([update_a]):
    e = tf.identity(b) + 5
    val = tf.identity(a)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(a))  # 输出1
    print(sess.run(b))  # 输出4
    print(sess.run([e, val]))
    print(sess.run(a))  # 输出4
    print(sess.run(b))  # 输出7

 示例程序7：通过以下程序分析，先执行print(sess.run(e)) 操作，然后执行print(sess.run(val))操作，即后者的操作是在前者的基础上进行的

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3
update_a = tf.assign(a, b)

with tf.control_dependencies([update_a]):
    e = tf.identity(b) + 5
    val = tf.identity(a)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(a))  # 输出1
    print(sess.run(b))  # 输出4
    print(sess.run(e))  # 输出９
    print(sess.run(val))  # 输出７
    print(sess.run(a))  # 输出7
    print(sess.run(b))  # 输出10

示例程序7：通过以下程序分析，先执行print(sess.run(val))操作，然后执行print(sess.run(e))操作，即后者的操作是在前者的基础上进行的 

import tensorflow as tf

a = tf.Variable(initial_value=[1.], dtype=tf.float32)
b = a + 3
update_a = tf.assign(a, b)

with tf.control_dependencies([update_a]):
    e = tf.identity(b) + 5
    val = tf.identity(a)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(a))  # 输出1
    print(sess.run(b))  # 输出4

    print(sess.run(val))  # 输出4
    print(sess.run(e))  # 输出12

    print(sess.run(a))  # 输出7
    print(sess.run(b))  # 输出10