tf.identity的意义以及用例

最近在学习tensorflow，学到ExponentialMovingAverage时，里面有一个tf.identity操作，在Stack Overflow上看到一个很好的解释，记录一下。 
原地址 ： https://stackoverflow.com/questions/34877523/in-tensorflow-what-is-tf-identity-used-for

下面程序要做的是，5次循环，每次循环给x加1，赋值给y，然后打印出来

x = tf.Variable(0.0)
#返回一个op，表示给变量x加1的操作
x_plus_1 = tf.assign_add(x, 1)

#control_dependencies的意义是，在执行with包含的内容（在这里就是 y = x）前
#先执行control_dependencies中的内容（在这里就是 x_plus_1）
with tf.control_dependencies([x_plus_1]):
    y = x
init = tf.initialize_all_variables()

with tf.Session() as session:
    init.run()
    for i in xrange(5):
        print(y.eval())#相当于sess.run(y)，由于control_dependencies的所以执行print前都会先执行x_plus_1

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

这个打印的是0，0，0，0，0 。也就是说没有达到我们预期的效果

如果改成这样：

x = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):
    y = tf.identity(x)#修改部分
init = tf.initialize_all_variables()

with tf.Session() as session:
    init.run()
    for i in xrange(5):
        print(y.eval())
This works: it prints 1, 2, 3, 4, 5.

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

这时候打印的是1，2，3，4，5

解释： 

tf.identity是返回了一个一模一样新的tensor，再control_dependencies的作用块下，需要增加一个新节点到gragh中。有待更新。。。

From: http://blog.csdn.net/u014595019/article/details/52805444