TensorF中的控制依赖关系

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，但有时是{}。1.0的结果表明依赖项{}被忽略。但是，由于我有时得到4.0，op0一定是经过计算的，据我所知，这可能是由依赖关系触发的。在

如果我做类似的事情，但是没有张量f，例如

^{pr2}$

结果总是2.0如预期。在

有人能解释一下为什么第二种情况下的行为是不同的，以及在第一种情况下，x更新后，我如何执行f的评估？在

Answer 1

您必须确保在第一个赋值发生后计算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

Answer 2

我想我找到了解决办法。在我的应用程序中，我实际计算的是f的梯度，而不是{}本身，因此下面的方法似乎有效：

import tensorflow as tf

x = tf.Variable(1.0)
y = tf.Variable(0.0)
f = x*x
df = tf.gradients(f, x)[0]

op0 = tf.assign_add(x, 1.0)
with tf.control_dependencies([op0]):
  #op1 = tf.assign(y, df) < - does not work
  df_new = tf.gradients(f, x)[0]
  op1 = tf.assign(y, df_new) # < - seems to work

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