(Tensorflow之十）tf.control_dependencies()用法

先看一下官方API文档

control_dependencies是用于控制计算流图的先后顺序的。必需先完成control_input的计算，才能执行之后定义的context。

但是，tensorflow是顺序执行的，为什么还需control_dependecies呢？原因在实际训练中，大多是以一个BATCH_SIZE大小来训练。因此需循环地去刷新前面所定义的变量。而采用control_dependencies可以确保control_input在被刷新之后,在执行定义的内容，从而保证计算顺序的正确性。

例：

   train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss,global_step=global_step)
    with tf.control_dependencies([train_step,variable_averages_op]):
        train_op = tf.no_op(name='train')
    saver = tf.train.Saver()
    with tf.Session() as sess:
        tf.initialize_all_variables().run()
        for i in range(TRAINING_STEPS):
            xs,ys = mnist.train.next_batch(BATCH_SIZE)
            _,loss_value,step = sess.run([train_op,loss,global_step],feed_dict={x:xs,y_:ys})

 该例中，用保证每次执行sess.run之前，train_step均被均新过。

   with tf.control_dependencies([train_step]):