tf.identity()的理解

最新推荐文章于 2025-10-24 18:00:00 发布

原创最新推荐文章于 2025-10-24 18:00:00 发布 · 1.2w 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow

我的Python学习同时被 2 个专栏收录

60 篇文章

订阅专栏

tensorflow学习

11 篇文章

订阅专栏

本文通过两个示例对比展示了在TensorFlow中如何使用变量更新操作，并解释了`tf.control_dependencies`的作用。第一个示例中，变量x在每次迭代后会增加1，但由于使用了`tf.identity`和控制依赖，输出的是变量更新后的值。而在第二个示例中，由于直接读取了变量x的值，尽管进行了更新操作，但输出的始终是初始值。

部署运行你感兴趣的模型镜像

import tensorflow as tf
x = tf.Variable(1.0)
x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):
    y = x
    z=tf.identity(x,name='x')
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        print(sess.run(z))

输出是：2,3,4,5,6

但是：

import tensorflow as tf
x = tf.Variable(1.0)
x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):
    y = x
    z=tf.identity(x,name='x')
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        print(sess.run(y))