tf.assgin函数想到的tf计算图的流动机制

还挺有意思的，大家都知道

tf.assign_add(ref, value)

系列的tf.assign/tf.assign_add等等函数在运行后，会更新ref为新值:ref+value，同时返回值也是ref+value
但是当代码是

a = tf.Variable(1.0)
tf.assign_add(a, 2.0)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(a))

输入却是1.0，？？？
其实是因为，变量a在a = tf.Variable(1.0)申明，sess.run(a)获取a,但Graph并没有flow到tf.assign_add(a, 2.0)，就被输出.
感兴趣的可以把tf.assign_add(a, 2.0)换成b = tf.assign_add(a, 2.0)，依旧输出是1.0，这是因为sess.run(a)依旧只让aflow起来，b和它并没有关系，Graph依旧没有flow到这句代码，就输出了.
但是把代码改成

a = tf.Variable(1.0)
b = tf.assign_add(a, 2.0)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(b))
    print(sess.run(a))

结果为 3.0 3.0，这又是因为sess.run(b)，让b = tf.assign_add(a, 2.0)真正被执行了，a b真正被赋值了，所以正常输出.