什么'；s Tensorflow中变量和资源变量之间的差异

在tensorflow中，变量是一种资源，从ResourceBase继承并由ResourceMgr管理。但是为什么还有另一个东西叫做ResourceVariable呢？它们都可以用于梯度下降之类的优化器（见下图）。有什么区别？我知道前者有很好的文档记录，并且是最常用的。后一个的目的是什么？

ResourceVariable

是

Variable

的替代品，其目的是清理

Variable

语义的一些更混乱的方面

---

ResourceVariable

是TF2.0中的默认值，您很可能不关心两者之间的差异，除非您正在深入研究Tensorflow实现的细节。当启用了急切执行时，

tf.Variable

也会创建资源变量

所以现在只需使用

tfVariable

，它几乎肯定是您想要的；如果您遇到代码中变量值不一致导致的类似争用条件或bug的问题，您可以尝试启用资源变量（通过将

use\u resource=True

传递给您的变量创建代码或调用tf.x中的

tf.enable\u resource\u variables（）

与tf.Variable不同，tf.ResourceVariable具有定义良好的语义。
每次在TensorFlow图中使用ResourceVariable都会添加一个
对图形执行读取值操作。由a返回的张量
读取值操作保证可以看到对
在任何操作中发生的变量的值
读取值取决于（直接、间接或通过控件
并保证不会看到对
读取值操作不依赖的变量。
例如，如果有多个任务分配给
单个会话中的ResourceVariable.run调用存在定义良好的
如果
赋值和读取通过图形中的边连接。考虑
下面的示例中，两次写入可能导致tf.Variable和
tf.ResourceVariable的行为不同：

要强制执行这些一致性属性，tf.ResourceVariable可能会
在引擎盖下制作比同等tf.变量更多的副本，所以
变量仍然没有被弃用

你指的是哪些评论？可能是这个：我在tensorflow.org上找不到tf1.10的
tf.ResourceVariable
文档。在以后的版本中是否删除了此选项？如果是，那么
tf.Variable
的实现是否解决了上述问题？
a = tf.ResourceVariable(1.0)
a.initializer.run()
assign = a.assign(2.0)
with tf.control_dependencies([assign]):
    b = a.read_value()
with tf.control_dependencies([b]):
    other_assign = a.assign(3.0)
with tf.control_dependencies([other_assign]):
    # Will print 2.0 because the value was read before other_assign ran. If
    # `a` was a tf.Variable instead, 2.0 or 3.0 could be printed.
    tf.Print(b, [b]).eval()