tensorflow tf.control_dependencies 順序問題

最近在學習 tensorflow MNIST 程序時遇到了 tensorflow tf.control_dependencies()栖秕,具體為:

......
variables_averages_op = variable_averages.apply(tf.trainable_variables())  # apply --vars--> average_op
......
# 優(yōu)化損失函數(shù)
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss, global_step=global_step)
with tf.control_dependencies([train_step, variables_averages_op]):  # 依賴環(huán)境
    train_op = tf.no_op(name='train')  # here, train_op will only run after [**] have executed.

有人說:

with g.control_dependencies([a, b, c]):  #  這會保證 a, b, c 按順序執(zhí)行
    # d will only run after a, b and c have executed.
    d = ...

事實上嫩与,a蜂桶,b儡毕,c 不會按 [*] 里的順序執(zhí)行。下面看一些實驗扑媚。

import tensorflow as tf

a = tf.Variable(1.0)
c = tf.assign(a, 2.0)  # 注意這里 c 和 d 的順序
d = tf.assign(a, 3.0)  # c --> d 是 c 在前, 如果 d --> c, 則是 d 在前

with tf.control_dependencies([c, d]):  # 看一看 c腰湾,d 的執(zhí)行順序
    op = tf.assign_add(a, 6.0)  # 后執(zhí)行的將決定 a 的取值

with tf.Session() as sess:
    tf.global_variables_initializer().run()
    print(sess.run(op))
實驗結果:
  • c --> d && [c, d] ==> op == 9.0,說明 a 取值為 3疆股,d 后執(zhí)行
  • c --> d && [d, c] ==> op == 9.0费坊,說明 a 取值為 3,d 后執(zhí)行
  • d --> c && [c, d] ==> op == 8.0旬痹,說明 a 取值為 2附井,c 后執(zhí)行
  • d --> c && [d, c] ==> op == 8.0讨越,說明 a 取值為 2,c 后執(zhí)行

=>結論1:[c, d] 或 [d, c] 順序沒有影響, 實際執(zhí)行順序是由 (c --> d) || (d --> c) 決定


  • c --> d && [c] ==> op == 8.0
  • c --> d && [d] ==> op == 9.0

=>結論2:只執(zhí)行了 [*] 中的操作, 不在其中的不會執(zhí)行

如有錯誤永毅,請指正
最后編輯于
?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
禁止轉載把跨,如需轉載請通過簡信或評論聯(lián)系作者。
  • 序言:七十年代末沼死,一起剝皮案震驚了整個濱河市着逐,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌意蛀,老刑警劉巖耸别,帶你破解...
    沈念sama閱讀 217,277評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異县钥,居然都是意外死亡秀姐,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,689評論 3 393
  • 文/潘曉璐 我一進店門魁蒜,熙熙樓的掌柜王于貴愁眉苦臉地迎上來囊扳,“玉大人,你說我怎么就攤上這事兜看∽断蹋” “怎么了?”我有些...
    開封第一講書人閱讀 163,624評論 0 353
  • 文/不壞的土叔 我叫張陵细移,是天一觀的道長搏予。 經常有香客問我,道長弧轧,這世上最難降的妖魔是什么雪侥? 我笑而不...
    開封第一講書人閱讀 58,356評論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮精绎,結果婚禮上速缨,老公的妹妹穿的比我還像新娘。我一直安慰自己代乃,他們只是感情好旬牲,可當我...
    茶點故事閱讀 67,402評論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著搁吓,像睡著了一般原茅。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上堕仔,一...
    開封第一講書人閱讀 51,292評論 1 301
  • 那天擂橘,我揣著相機與錄音,去河邊找鬼摩骨。 笑死通贞,一個胖子當著我的面吹牛朗若,可吹牛的內容都是我干的。 我是一名探鬼主播滑频,決...
    沈念sama閱讀 40,135評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼捡偏,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了峡迷?” 一聲冷哼從身側響起银伟,我...
    開封第一講書人閱讀 38,992評論 0 275
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎绘搞,沒想到半個月后彤避,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經...
    沈念sama閱讀 45,429評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡夯辖,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 37,636評論 3 334
  • 正文 我和宋清朗相戀三年琉预,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蒿褂。...
    茶點故事閱讀 39,785評論 1 348
  • 序言:一個原本活蹦亂跳的男人離奇死亡圆米,死狀恐怖,靈堂內的尸體忽然破棺而出啄栓,到底是詐尸還是另有隱情娄帖,我是刑警寧澤,帶...
    沈念sama閱讀 35,492評論 5 345
  • 正文 年R本政府宣布昙楚,位于F島的核電站近速,受9級特大地震影響,放射性物質發(fā)生泄漏堪旧。R本人自食惡果不足惜削葱,卻給世界環(huán)境...
    茶點故事閱讀 41,092評論 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望淳梦。 院中可真熱鬧析砸,春花似錦、人聲如沸爆袍。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,723評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽螃宙。三九已至,卻和暖如春所坯,著一層夾襖步出監(jiān)牢的瞬間谆扎,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,858評論 1 269
  • 我被黑心中介騙來泰國打工芹助, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留堂湖,地道東北人闲先。 一個月前我還...
    沈念sama閱讀 47,891評論 2 370
  • 正文 我出身青樓,卻偏偏與公主長得像无蜂,于是被迫代替她去往敵國和親伺糠。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 44,713評論 2 354

推薦閱讀更多精彩內容