『TensorFlow』流程控制之tf.identity

2022-02-07

详细介绍

下面的程序需要做的是循环5次，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())

因此，它会在执行打印之前执行。

这打印了0,0,0,0,0，表示没有达到我们预期的效果。这是因为此时的y是复制x变量的变量，与图上的节点不匹配。连接不接受流控函数的调度，

改为以下，

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))

(“add:0”, shape=(), dtype=)

1.0 2.0 3.0 4.0 5.0

可以看出，当y定义为节点的输出时，操作可以顺利进行。此时y成为节点的输出，可以被图识别。

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

这次它打印 1、2、3、4、5

解释：

查询y为：(“:0”, shape=(), dtype=)，与节点关联。

tf.返回一个相同的新的。在动作块下，需要将一个新节点添加到 gragh 中。

分类：

技术要点：

相关文章：