TensortFlow 1.x 会话中的依赖

        为了优化计算，在会话中执行图的运算时，并不一定把整个图计算一遍，TensorFlow会自动根据当前要执行的操作，只计算这个操作所依赖的操作，其他不依赖的操作不会执行。

import tensorflow as tf

x = tf.Variable(0.0, name='x')

x_plus_1 = tf.assign_add(x, 1, name='x_plus')

#tf.control_dependencies()的作用是在其作用域之内的操作依赖于参数中指定的操作，
#在这里就是里面的y依赖于x_plus_1操作，通俗而讲，即在运行y=x时，需要先执行x_plus_1

with tf.control_dependencies([x_plus_1]):
    y = x

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        print(y.eval())

summary_writer = tf.summary.FileWriter('./calc_graph')
graph = tf.get_default_graph()
summary_writer.add_graph(graph)
summary_writer.flush()
        

以上代码执行结果为0.0，0.0，0.0，0.0，0.0

其中y=x并不是一次操作，只是一个内存拷贝，并不是一个op，而control_dependencies只有当里面是一个Op的时候才能起作用。

故x_plus_1不会执行，因此修改代码

import tensorflow as tf

x = tf.Variable(0.0, name='x')

x_plus_1 = tf.assign_add(x, 1, name='x_plus')

with tf.control_dependencies([x_plus_1]):
    y = tf.identity(x, name='y')

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        print(y.eval())
summary_writer = tf.summary.FileWriter('./calc_graph')
graph = tf.get_default_graph()
summary_writer.add_graph(graph)
summary_writer.flush()

y=x修改为y = tf.identity(x, name='y') ，tf.identity()的作用是返回一个和x相同的值，即将本次作为一次操作，故在执行本次操作之前，需要执行x_plus_1操作，本次代码执行结果为1.0,2.0,3.0,4.0,5.0