python之非常奇怪的 tensorflow 行为

我有非常简单的行会产生非常奇怪的意外行为:

import tensorflow as tf 
 
y = tf.Variable(2, dtype=tf.int32) 
 
a1 = tf.assign(y, y + 1) 
a2 = tf.assign(y, y * 2) 
 
with tf.control_dependencies([a1, a2]): 
    t = y+0 
 
with tf.Session() as sess: 
    sess.run(tf.global_variables_initializer()) 
 
    for i in range(4): 
        print('t=%d' % sess.run(t)) 
        print('y=%d' % sess.run(y)) 

预期的是

t=6 
y=6 
t=14 
y=14 
t=30 
y=30 
t=62 
y=62 

但第一次运行时，我得到:

t=6 
y=6 
t=13 
y=13 
t=26 
y=26 
t=27 
y=27 

第二次运行，我得到:

t=3 
y=3 
t=6 
y=6 
t=14 
y=14 
t=15 
y=15 

第三次运行，我得到:

t=6 
y=6 
t=14 
y=14 
t=28 
y=28 
t=56 
y=56 

非常可笑，多次运行产生多个不同的输出序列，很奇怪，有人可以帮忙吗？

编辑:更改为

import tensorflow as tf 
import os 
y = tf.Variable(2, dtype=tf.int32) 
 
a1 = tf.assign(y, y + 1) 
a2 = tf.assign(y, y * 2) 
a3 = tf.group(a1, a2) 
with tf.control_dependencies([a3]): 
    t = tf.identity(y+0) 
 
with tf.Session() as sess: 
    sess.run(tf.global_variables_initializer()) 
 
    for i in range(4): 
 
        print('t=%d' % sess.run(t)) 
        print('y=%d' % sess.run(y)) 

...仍然无法正常工作。

这段代码还是很奇怪:

a1 = tf.assign(y, y + 1) 
with tf.control_dependencies([a1]): 
  a2 = tf.assign(y, y * 2) 
  with tf.control_dependencies([a2]): 
    t = tf.identity(y) 

... 正常工作，但只需将 a2 移动到之前

a1 = tf.assign(y, y + 1) 
a2 = tf.assign(y, y * 2) 
with tf.control_dependencies([a1]): 
  with tf.control_dependencies([a2]): 
    t = tf.identity(y) 

...它没有。

请您参考如下方法:

您的方法的问题在于 a1 和 a2 的顺序也很重要:您希望在 之前评估 a1 a2。 tf.control_dependencies([a1, a2]) 保证 t 在 a1 和 a2 之后执行，但是它们本身可以按任何顺序进行评估。

我会像那样使用显式依赖:

y = tf.Variable(2, dtype=tf.int32) 
a1 = tf.assign(y, y + 1) 
with tf.control_dependencies([a1]): 
  a2 = tf.assign(y, y * 2) 
  with tf.control_dependencies([a2]): 
    t = tf.identity(y) 
 
with tf.Session() as sess: 
  sess.run(tf.global_variables_initializer()) 
  for i in range(4): 
    print('t=%d' % sess.run(t)) 
    print('y=%d' % sess.run(y)) 

输出:

t=6 
y=6 
t=14 
y=14 
t=30 
y=30 
t=62 
y=62