python - 控制 TensorFlow 中的依赖关系

Question

我试图理解以下行为:当我运行代码时

import tensorflow as tf

x = tf.Variable(1.0)
y = tf.Variable(0.0)
f = x*x

op0 = tf.assign_add(x, 1.0)
with tf.control_dependencies([op0]):
  op1 = tf.assign(y, f)

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  sess.run(tf.local_variables_initializer())
  sess.run(op1)
  print(y.eval())

结果有时是 4.0 正如我所期望的，但有时它是 1.0。 1.0 的结果表明依赖项 op0 被忽略。但是，由于我有时会得到 4.0，因此必须计算 op0，据我所知，这只能由依赖项触发。

如果我做类似的事情，但没有张量f，例如，

import tensorflow as tf

x = tf.Variable(1.0)
y = tf.Variable(0.0)

op0 = tf.assign_add(x, 1.0)
with tf.control_dependencies([op0]):
  op1 = tf.assign(y, x) # <--- not using f anymore...

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  sess.run(tf.local_variables_initializer())
  sess.run(op1)
  print(y.eval())

结果始终如预期的2.0。

有人可以解释一下为什么第二种情况下的行为不同，以及在第一种情况下更新 x 后如何强制执行 f 的评估？

Answer 1

您必须确保在第一次赋值后计算f。所以:

import tensorflow as tf

x = tf.Variable(1.0)
y = tf.Variable(0.0)

op0 = tf.assign_add(x, 1.0)
with tf.control_dependencies([op0]):
  f = x * x 
op1 = tf.assign(y, f)

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  sess.run(tf.local_variables_initializer())
  sess.run(op1)
  print(y.eval())
  # 4.0