Tensorflow是否正确计算了这些偏导数/梯度？

我刚开始学习Tensorflow，遇到了一个对我来说毫无意义的例子：

>>> import tensorflow as tf
>>> a=tf.Variable(1.)
>>> b=2*a
>>> c=a+b
>>> g=tf.gradients(c, [a,b])
>>> sess=tf.Session()
2018-09-20 13:50:59.616341: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1195] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce GTX 1080, pci bus id: 0000:01:00.0, compute capability: 6.1)
2018-09-20 13:50:59.616400: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1195] Creating TensorFlow device (/device:GPU:1) -> (device: 1, name: GeForce GTX 1080, pci bus id: 0000:02:00.0, compute capability: 6.1)
>>> print sess.run(g)
[3.0, 1.0]

由于

c=3a

，我希望第一个部分（相对于a的部分c）是

3.0

。但是，

c=1.5b

，这也是事实，所以我期望二阶偏导数是

1.5

，而不是

1.0

另一方面，如果我执行以下操作：

>>> b = tf.Variable(2.)
>>> a = 0.5*b
>>> c = a+b
>>> g = tf.gradients(c,[a,b])

我得到这个结果：

>>> print sess.run(g)
[1.0, 1.5]

我对这个答案也有类似的问题

另外，在这两种情况下，我会认为我正在寻找关于同一点上同一函数的相同信息，具有相同的约束。我希望得到同样的答案

我是否忘记了一些关于偏导数或代数的真正令人尴尬的事情？或者，我是否从根本上误解了我可以从张量流梯度中得到什么

---

是否与图形构造有关，最终会造成这样一种情况：

b

依赖于

a

，而

a

独立于

b

？或者，真正的问题是梯度应该只针对彼此严格独立的变量吗？

首先，代码和描述中的数字不匹配。。。你有

c=a+b

和

b=2*a

，因此，对于

a

，你有

c=3*a

，对于

b

，

c=constant+b

3和
1是这里正确的导数。@jdehesa-但是，如果
b=2a
，那么
a=0.5b
也是正确的，所以
c=1.5b
不像
c=3a
那样合理吗？为什么
=
关系在这里不被视为完全对称的？我明白你的意思，但它不是那样工作的。假设你有
g（x）=x+f（x）
，其中
f（x）=2*x
。导数wrt
x
为3，另一个导数wrt
f（x）
，为1。这里你把
f（x）
“当作”它是一个自变量，导数为1意味着“如果
f（x）
增加
t
，那么
g（x）
将增加
t*1
”。但是
f（x）
增加
t
并不一定意味着
x
增加
t/2
，你可以说现在
f（x）
是
2*x+t
（因为你把
f（x）
看作是独立的，所以你可以给它赋值）。