Question

我基本上有一个带有A操作的计算图，如下所示：

我希望在张量流过B（在这种情况下是变量赋值）时调用额外的计算A：

似乎元组允许这样做，但我想知道这是否是最好的方法：

import tensorflow as tf
sess = tf.Session()
v = tf.Variable(0)
sess.run(tf.initialize_all_variables())
A = tf.constant(1)
A, _ = tf.tuple([A, v.assign(2)])
print(sess.run(A))  # prints 1
print(sess.run(v))  # prints 2

所有这些都在分层计算的上下文中，其中层权重和其他变量在前向激活通过它们时得到更新。另一种方法可能是在fwd_update_ops列表中累积这些更新，最后调用sess.run([fwd_update_ops, bwd_update_ops], feed_dict)。还有其他选择吗？这样做的最佳方式是什么？

Answer 1

来自@YaroslavBulatov的评论：

您应该使用tf.control_dependencies([...])。

例如，要使操作update_op依赖于res = tf.square(A)，您可以写：

v = tf.Variable(0, name='v')
A = tf.constant(3, name='A')

update_op = v.assign(2)

with tf.control_dependencies([update_op]):
    res = tf.square(A, name='square')

with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    print(sess.run(res))  # prints 9
    print(sess.run(v))  # prints 2, because v got updated

在执行方面，操作tf.square(A)将等待，直到执行update_op。

       |
       o
       |  
       A   update_op
       |   /
     square
       |

在TensorFlow中将具有副作用的并发计算添加到图节点的正确方法是什么？

1 个答案: