先解释tf.identify():
import tensorflow as tf
a = tf.Variable([10, 20])
b = tf.assign_add(a, [1,2])
c = tf.identity(a)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(a))
print(sess.run(b))
print(sess.run(a))
print(sess.run(c))
out:
[10 20] # 正常输出
[11 22] # 运行op b的结果
[11 22] # tf.assign_add实现a自增
[11 22] # op tf.identity() 产生一个新的一模一样的tensor
tf.control_dependencies:
下面程序的功能是,做5次循环,每次循环给x加1,赋值给y,然后打印出来,所以我们预期达到的效果是输出2,3,4,5,6。
x = tf.Variable(1.0)
y = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)
with tf.control_dependencies([x_plus_1]):
y = x
init = tf.initialize_all_variables()
with tf.Session() as session:
init.run()
for i in xrange(5):
print(y.eval())
这个打印的是1,1,1,1,1 。可以看到,没有达到我们预期的效果,y只被赋值了一次。
如果改成这样:
x = tf.Variable(1.0)
y = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)
with tf.control_dependencies([x_plus_1]):
y = tf.identity(x)#修改部分
init = tf.initialize_all_variables()
with tf.Session() as session:
init.run()
for i in xrange(5):
print(y.eval())
这时候打印的是2,3,4,5,6
解释:对于control_dependencies这个管理器,只有当里面的操作是一个op(tf.identity())时,才会生效,也就是先执行传入的参数x_plus,再执行里面的op。而y=x仅仅是tensor的一个简单赋值,不是op,所以在图中不会形成一个节点,这样该管理器就失效了,即x_plus op是不执行的。
op : tf.identity是返回一个一模一样新的tensor,这会增加一个新节点到gragh中,这时control_dependencies就会生效,所以第二种情况的输出符合预期。
整体展示:
import tensorflow as tf
x = tf.Variable(1.0)
x_plus_1 = tf.assign_add(x, 1)
with tf.control_dependencies([x_plus_1]):
y = x
z=tf.identity(x,name='x')
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
for i in range(4):
print(sess.run(x))
print(sess.run(y))
print(sess.run(z))
out:
1.0 #由于没有执行z,所以不会触发op x_plus_1执行,所以x是初始值
1.0 #由于y=x不是op,所以不会触发op x_plus_1执行,所以y=x=1
2.0 #由于z是op,所以会触发op x_plus_1的执行,先执行op x_plus_1,在执行op z.
2.0
2.0
3.0
3.0
3.0
4.0