Question

我有非常简单的线条，会产生非常奇怪的意外行为：

import tensorflow as tf

y = tf.Variable(2, dtype=tf.int32)

a1 = tf.assign(y, y + 1)
a2 = tf.assign(y, y * 2)

with tf.control_dependencies([a1, a2]):
    t = y+0

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(4):
        print('t=%d' % sess.run(t))
        print('y=%d' % sess.run(y))

预期是什么

t=6
y=6
t=14
y=14
t=30
y=30
t=62
y=62

但是第一次跑，我得到了：

t=6
y=6
t=13
y=13
t=26
y=26
t=27
y=27

第二轮，我得到了：

t=3
y=3
t=6
y=6
t=14
y=14
t=15
y=15

第三轮，我得到了：

t=6
y=6
t=14
y=14
t=28
y=28
t=56
y=56

非常荒谬，多次运行产生多个不同的输出序列，很奇怪，有人可以帮忙吗？

编辑：改为

import tensorflow as tf
import os
y = tf.Variable(2, dtype=tf.int32)

a1 = tf.assign(y, y + 1)
a2 = tf.assign(y, y * 2)
a3 = tf.group(a1, a2)
with tf.control_dependencies([a3]):
    t = tf.identity(y+0)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(4):

        print('t=%d' % sess.run(t))
        print('y=%d' % sess.run(y))

......仍然无法正常工作。

这段代码仍然很奇怪：

a1 = tf.assign(y, y + 1)
with tf.control_dependencies([a1]):
  a2 = tf.assign(y, y * 2)
  with tf.control_dependencies([a2]):
    t = tf.identity(y)

...正常工作，但只需将a2移至之前

a1 = tf.assign(y, y + 1)
a2 = tf.assign(y, y * 2)
with tf.control_dependencies([a1]):
  with tf.control_dependencies([a2]):
    t = tf.identity(y)

......它没有。

Answer 1

您的方法存在的问题是，a1和a2的顺序也很重要：您希望在a1之前评估a2。 tf.control_dependencies([a1, a2])保证在t和a1之后执行a2，但它们本身可以按任何顺序进行评估。

我明确依赖于：

y = tf.Variable(2, dtype=tf.int32)
a1 = tf.assign(y, y + 1)
with tf.control_dependencies([a1]):
  a2 = tf.assign(y, y * 2)
  with tf.control_dependencies([a2]):
    t = tf.identity(y)

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for i in range(4):
    print('t=%d' % sess.run(t))
    print('y=%d' % sess.run(y))

输出：

t=6
y=6
t=14
y=14
t=30
y=30
t=62
y=62

非常奇怪的张量流动行为

1 个答案: