tensorflow 的 control_dependencies函數

tensorflow.control_dependencies( tasklist ）可以把tasklist裏的操作作爲預定操作。一般是這樣使用：

with tensorflow.control_dependencies( tasklist ） ：
    trainOp =  tensorflow.no_op() 

然後執行這個 trainOp （即Tensorflow.Session().run( trainOp)）時,就會把 tasklist所包含的動作先執行掉.

但是在with裏面不能直接賦值別的操作,那樣的話,就不再執行tasklist裏的動作了.比如有個動作 task1 ,它不在tasklist裏面,也與tasklist不相關.但是在with代碼段裏面將task1直接賦值給trainOP,那麼不會執行tasklist包含的動作: 

with tensorflow.control_dependencies( tasklist ） ：
    trainOp =  task1 

可以這樣修改,將新加入的動作和no_動作一起放在list裏,達到執行tasklist裏包含的動作:

with tensorflow.control_dependencies( tasklist ） ：
    trainOp =  tensorflow.no_op()
    trainOp = [trainOp , task1]

下面是一段驗證代碼:

import tensorflow as tf
a = tf.Variable( 2 )
selfAdd = tf.Variable( 0 ) 
selfAddition = tf.assign_add(  selfAdd , 3    )
selfSub = tf.Variable( 0 ) 
selfSubtraction = tf.assign_sub(  selfSub , 2    )
b = tf.multiply( a , selfAdd )
with  tf.control_dependencies( [ selfAddition ] ) :
    train_op  =  tf.no_op() #待解釋語句1
    print( train_op ) 
    train_op  =[ train_op ,  selfSubtraction] #待解釋語句2
    print( train_op )    
with tf.Session() as sess :
    init = tf.global_variables_initializer()
    sess.run( init )
    for i in range( 20 ) :
        sess.run( train_op ) #待解釋語句3
        print( "selfAdd:" , sess.run(  selfAdd ) )
    ra = sess.run(selfAdd )
    rb = sess.run(b )
    print( '@end selfAdd:' ,ra )
    rs = sess.run(selfSub)
    print('@end selfSub:' , rs ) 
    print( 'b:' , rb ) 

sefAddition 是對變量selfAdd進行自加的操作,selfSubtraction是對變量selfSub進行自減的操作. "待解釋語句1"建立了一個trainOp,它本身不做什麼,但是它會定義預處理動作, 就是control_dependencies調用時實參所指定的 selfAddition. 若想除定義預處理動作之外,還想再加其他動作,可按照"待解釋語句2"的方法,在列表裏增加動作.這樣在"待解釋語句3"裏每次動執行 selfAddition和selfSubtraction.

必須在no_op之後再加動作,似乎和一般理解不一樣,不知道是不是哪裏有不對的地方,下面是我的測試代碼和輸出:

import tensorflow as tf
a = tf.Variable( 2 )
selfAdd = tf.Variable( 0 ) 
selfAddition = tf.assign_add(  selfAdd , 3    )
selfSub = tf.Variable( 0 ) 
selfSubtraction = tf.assign_sub(  selfSub , 2    )

b = tf.multiply( a , selfAdd )

with  tf.control_dependencies( [ selfAddition ] ) :
    train_op  = selfSubtraction
    print( train_op )    
with tf.Session() as sess :
    init = tf.global_variables_initializer()
    sess.run( init )
    for i in range( 20 ) :
        sess.run( train_op )
        print( "selfAdd:" , sess.run(  selfAdd ) )
    ra = sess.run(selfAdd )
    rb = sess.run(b )
    print( '@end selfAdd:' ,ra )
    rs = sess.run(selfSub)
    print('@end selfSub:' , rs ) 
    print( 'b:' , rb )

Tensor("AssignSub:0", shape=(), dtype=int32_ref)
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
selfAdd: 0
@end selfAdd: 0
@end selfSub: -40
b: 0

參考:

https://www.cnblogs.com/qjoanven/p/7736025.html