PROSAGA码农传奇-深度学习-了解tensorflow中的ResourceVariables

<div class =“post-text”itemprop =“text”>
  
    两个评论：
  
  <OL>
    <LI>
      
        在第一个参数中写变量/ ops的顺序
         <code>
 sess.run
 </code>
         并不意味着这是执行的顺序。
      
    </LI>
    <LI>
      
        如果在一个步骤中有效的话，那并不意味着如果你添加了大量的并行性，它就会起作用。
      
    </LI>
  </醇>
  
    问题的答案：
  
  
    定义的关键是
     <code>
 depends on
 </code>
     ：
     <code>
 a read_value operation are guaranteed to see all modifications on which the read_value depends on
 </code>
    。如果你看下面的图表，添加操作实际上包含一个
     <code>
 ReadVariableOp
 </code>
     操作
     <code>
 b
 </code>
    ， 然后
     <code>
 ReadVariableOp
 </code>
     也取决于
     <code>
 AssignVariableOp
 </code>
    。因此，
     <code>
 c
 </code>
     应该考虑到所有的修改
     <code>
 b
 </code>
    。
  
  
    除非我混合了什么，但我听起来很有说服力。 :)

<a href="https://i.stack.imgur.com/zvsou.png" rel="nofollow noreferrer">
      <img src =“https://i.stack.imgur.com/zvsou.png”alt =“在此输入图像说明”/>
    </A>
  
  
    如果要查看[10.0,5.0,0.0]，则必须添加
     <code>
 tf.control_dependency
 </code>
     如下
  
   <pre>
 <code>
 tf.reset_default_graph()
a = tf.placeholder(dtype=tf.float32,shape=(), name='a')
d = tf.placeholder(dtype=tf.float32,shape=(), name='d')
b = tf.get_variable(name='b', initializer=tf.zeros_like(d), use_resource=True)
c=a+b
with tf.control_dependencies([c]):
 b_init = tf.assign(b, d)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())   
    print(sess.run([b_init,c,b], feed_dict={a:5.,d:10.}))

</code>
 </pre>
  
    然后图表会稍微改变一下