Python tf操作控制输入与输入

在中，

控制输入

和

输入

之间有什么区别

tf.Operation

分别描述了它们，但在正常的事件过程中，我希望“每个数据输入都已准备就绪”正好是当前操作能够运行的条件。我缺少什么？

在tensorflow中，可以通过函数添加额外的依赖项，除了普通依赖项（对应于输入）之外，tensorflow还遵守这些依赖项。这正是正确的

下面是一个例子：

a=tf.Variable（name='a'，初始值=1.0，可训练值=False）
b=tf.变量（name='b'，初始值=0.0，可训练=False）
c=tf.add（a，b，name='sum'）
op=tf.get_default_graph（）.get_operation_by_name（'sum'））
打印（列表（op.inputs））#[，]
打印（操作控制输入）#[]

这是一种标准情况，毫不奇怪

c

只有2个普通输入，没有

控制输入。经评估，
c
值将为
1.0

但是，如果您添加一个额外的依赖项，它将改变图形和计算方式：

a=tf.Variable（name='a'，初始值=1.0，可训练值=False）
b=tf.变量（name='b'，初始值=0.0，可训练=False）
相依性=tf.assign（b，a*3，name='dependent_op'）
使用tf.control_依赖项（[dependent_op]）：
c=tf.add（a，b，name='sum'）
op=tf.get_default_graph（）.get_operation_by_name（'sum'））
打印（列表（op.inputs））#[，]
打印（操作控制输入）#[]

请注意，
输入的列表
没有改变，但是
控制输入
现在包含了
相关的操作
。Tensorflow保证在计算
sum
之前先计算
dependent\u op
，因此，
c
将获得值
4.0。如果定义
c
而不使用
tf.control\u dependencies
块，
c
将被计算为
1.0，因为
dependent\u op
即使在图形中也不会执行