在更新点计算梯度时，Tensorflow和control_dependencies中的竞争条件？

Question

我现在面临一个复杂的问题。

想象一下，你有变量 p 和 v ，函数 f（p）和 G（p） 你想做两个步骤

1. p = G（p）
2. v = f'（p）即。首先更新p然后在新更新的p中计算梯度并将其保存到v

一个人可以运行两次sess.run（），但我们可以一次运行吗？ 我有一个代码

import tensorflow as tf
sess = tf.InteractiveSession()
import numpy as np
shape = [1000,1000]
a = tf.Variable(tf.truncated_normal(shape,stddev=0.01))
b = tf.Variable(tf.truncated_normal(shape,stddev=0.01))
c = tf.Variable(tf.truncated_normal(shape,stddev=0.01))
params = [a,b,c]

fun =  tf.reduce_sum( tf.multiply(  tf.multiply(a,c),b ) )

o = [ tf.Variable(tf.zeros(shape)) for i in xrange(3)]
sess.run(tf.global_variables_initializer())

grad = tf.gradients(fun,params)
update_a = tf.assign(a, b + c).op
with tf.control_dependencies([update_a]):
  update_b = tf.assign(b, c + a).op

with tf.control_dependencies([update_b]):
  update_c = tf.assign(c, a  + b ).op

with tf.control_dependencies([update_c]):
  df = tf.gradients(fun,params,gate_gradients=True)
  updates = tf.group(  *[ oi.assign(dfi ) for oi, dfi in zip(o,df)]  )

def computeTotalSum(v):
    return [  np.sum(np.abs(j)) for j in sess.run(v)   ]

print computeTotalSum(params)
print computeTotalSum(o)
print computeTotalSum(grad) 

sess.run(updates)

print computeTotalSum(params)
print computeTotalSum(o)
print computeTotalSum(grad) 

运行后，我得到以下答案

[7229.5298, 7229.4917, 7227.6387]
[0.0, 0.0, 0.0]
[52.223175, 52.195709, 52.314934]
[10073.588, 16026.059, 25751.27]
[619.71185, 52.195709, 234.3277]
[619.71185, 388.07501, 234.3277]

然而，我希望最后两行是相同的！