Tensorflow结点打包和依赖控制

深度学习库能够充分发挥GPU并行计算的能力，但是有时我们却不得不需要串行。这时就需要用到依赖控制。

import tensorflow as tf

a = tf.Variable(1)
b = tf.Variable(2)
s = tf.add(a, b)
asiggn = tf.assign(a, 4)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run([a, b, s, asiggn]))

理论上，这段程序有时输出6，有时输出3。也就是说，求和操作和复制操作无法确定谁先执行。

如果想要先求和再赋值，那么需要使用依赖控制指明依赖。

import tensorflow as tf

a = tf.Variable(1)
b = tf.Variable(2)
s = tf.add(a, b)
with tf.control_dependencies([s]):
    asiggn = tf.assign(a, 4)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run([a, b, s, asiggn]))

每一次sess.run，每个结点只求解一次。

然而需要理解的一个关键点是：

将多个结点打包之后，对这个包加上依赖控制，并不会影响被打包的各个结点的依赖。

# 将结点打包，同时执行多个结点
import tensorflow as tf

tf.reset_default_graph()
a = tf.Variable(1, name="a")
b = tf.Variable(2, name="b")
c = tf.Variable(3, name="c")
with tf.control_dependencies([a, b, c]):
    before_sum = tf.add_n([a, b, c])
a_add1 = tf.assign(a, tf.add(a, 1, name='a_add1'))
b_add2 = tf.assign(b, tf.add(b, 2, name='b_add2'))
c_add3 = tf.assign(c, tf.add(c, 3, name='c_add3'))

with tf.control_dependencies([before_sum]):
    # group操作run之后返回值为None，它只负责同时执行，它并不负责控制依赖
    op = tf.group(a_add1, b_add2, c_add3)
with tf.control_dependencies([op]):  # 如果没有这句话，则sum操作和op操作是并行的，导致出现奇怪的现象
    after_sum = tf.add_n([a, b, c])
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run([before_sum, op, a, b, c, after_sum]))

输出为：[12, None, 2, 4, 6, 12]

表示beforesum并没有在op之前执行。

要想在op之前求before_sum，那就需要为op中的每个结点添加依赖

# 将结点打包，同时执行多个结点
import tensorflow as tf

tf.reset_default_graph()
a = tf.Variable(1, name="a")
b = tf.Variable(2, name="b")
c = tf.Variable(3, name="c")
with tf.control_dependencies([a, b, c]):
    before_sum = tf.add_n([a, b, c])
with tf.control_dependencies([before_sum]):
    a_add1 = tf.assign(a, tf.add(a, 1, name='a_add1'))
with tf.control_dependencies([before_sum]):
    b_add2 = tf.assign(b, tf.add(b, 2, name='b_add2'))
with tf.control_dependencies([before_sum]):
    c_add3 = tf.assign(c, tf.add(c, 3, name='c_add3'))

with tf.control_dependencies([before_sum]):
    # group操作run之后返回值为None，它只负责同时执行，它并不负责控制依赖
    op = tf.group(a_add1, b_add2, c_add3)
with tf.control_dependencies([op]):  # 如果没有这句话，则sum操作和op操作是并行的，导致出现奇怪的现象
    after_sum = tf.add_n([a, b, c])
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run([before_sum, op, a, b, c, after_sum]))
"""
执行顺序不同会出现什么情况
"""