『TensorFlow』流程控制之tf.identity

一個詳細介紹

下面程序要做的是，5次循環，每次循環給x加1，賦值給y，然后打印出來,

x = tf.Variable(0.0)
#返回一個op，表示給變量x加1的操作
x_plus_1 = tf.assign_add(x, 1)
 
#control_dependencies的意義是，在執行with包含的內容（在這里就是 y = x）前
#先執行control_dependencies中的內容（在這里就是 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())

由於control_dependencies的所以執行print前都會先執行x_plus_1。

這個打印的是0，0，0，0，0 ,也就是說沒有達到我們預期的效果，這是因為此時的y是一個復制了x變量的變量，並未和圖上的節點相聯系不接受流程控制函數的調遣，

 

改成如下，

import tensorflow as tf 
x = tf.Variable(0.0) 
print(x) 
x_plus_1 = tf.assign_add(x, 1) 
with tf.control_dependencies([x_plus_1]): 
    y = x + 0.0 
    print(y) #z=tf.identity(x,name='x') 
init = tf.global_variables_initializer() 
with tf.Session() as sess: 
    sess.run(init) 
    for i in range(5): 
        print(sess.run(y))

 <tf.Variable 'Variable:0' shape=() dtype=float32_ref>

Tensor("add:0", shape=(), dtype=float32)

1.0  2.0  3.0  4.0  5.0

可以看到當y定義為節點的輸出后，就可以順利執行操作了，此時y成為節點的輸出，可以被圖識別。

 

如果改成這樣：

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 range(5):
        print(y.eval())
This works: it prints 1, 2, 3, 4, 5.

這時候打印的是1，2，3，4，5

解釋：

查詢y為：Tensor("Identity_1:0", shape=(), dtype=float32)，和節點聯系起來了。
tf.identity是返回了一個一模一樣新的tensor，再control_dependencies的作用塊下，需要增加一個新節點到gragh中。