tensorflow - 使用 tf.control_dependencies 的相同代码的不同结果

Question

我运行一段代码两次得到两个不同的结果

代码:

import tensorflow as tf
x = tf.placeholder(tf.int32, shape=[], name='x')
y = tf.Variable(2, dtype=tf.int32)
assign_op = tf.assign(y, y + 1)
out = x * y
with tf.control_dependencies([assign_op]):
    out_ = out+2
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(3):
        print('output:', sess.run(out_, feed_dict={x: 1}))

第一个输出:

output: 4
output: 5
output: 6

第二个输出:

output: 4
output: 6
output: 6

谁能解释一下为什么会这样？

Answer 1

Tensorflow 不会像在普通 Python 程序中那样记录操作的创建顺序，而只会跟踪它们的依赖关系，因此只能保证 operation/op 的所有依赖关系在 之前执行code>op执行。

所以在某些情况下，out_ 可能会在更新 y 的值之后更新，而在其他情况下，它会在更新 y 之前执行因为 out_ 仅对 y 具有传递依赖性。即它取决于 y 通过 out 变量。