python - tf 操作 control_inputs 与 inputs

Question

在 tf.Operation ，control_inputs 和 inputs 之间有什么区别？ tf.Operation 分别描述了它们，但在正常的事件过程中，我希望“每个数据输入都已准备好”正是当前操作能够运行的条件。我错过了什么？

Answer 1

在tensorflow中，可以通过tf.control_dependencies添加额外的依赖项函数，除了普通依赖项(对应于输入)之外， tensorflow 还遵循这些函数。这正是tf.Operation.control_inputs成立。

这是一个例子:

a = tf.Variable(name='a', initial_value=1.0, trainable=False)
b = tf.Variable(name='b', initial_value=0.0, trainable=False)  
c = tf.add(a, b, name='sum')

op = tf.get_default_graph().get_operation_by_name('sum')
print(list(op.inputs))    # [<tf.Tensor 'a/read:0' shape=() dtype=float32>, <tf.Tensor 'b/read:0' shape=() dtype=float32>]
print(op.control_inputs)  # []

这是标准情况，毫不奇怪，c 只有 2 个普通输入，并且没有 control_inputs。评估后，c 值为 1.0。

但是如果您添加额外的依赖项，它将改变图表和计算方式:

a = tf.Variable(name='a', initial_value=1.0, trainable=False)
b = tf.Variable(name='b', initial_value=0.0, trainable=False)

dependent_op = tf.assign(b, a * 3, name='dependent_op')
with tf.control_dependencies([dependent_op]):
  c = tf.add(a, b, name='sum')

op = tf.get_default_graph().get_operation_by_name('sum')
print(list(op.inputs))    # [<tf.Tensor 'a/read:0' shape=() dtype=float32>, <tf.Tensor 'b/read:0' shape=() dtype=float32>]
print(op.control_inputs)  # [<tf.Operation 'dependent_op' type=Assign>]

请注意，inputs 列表没有更改，但 control_inputs 现在包含 dependent_op。 Tensorflow 保证 dependent_op 将在 sum 之前计算，因此，c 将获得值 4.0。如果您定义的 c 没有 tf.control_dependency block ，则 c 将被评估为 1.0，因为 dependent_op 即使在图中，也不会被执行。