TensorFlow学习笔记9——TensorFlow中具有依赖关系的多个op多次执行的问题

    在TensorFlow构建深度神经网络时，有时需要让具有依赖关系的多个op多次执行。这句话有些拗口，看下述代码：

import tensorflow as tf

a = tf.random_uniform([1],minval=0,maxval=100,dtype=tf.int32)
b = tf.constant(1, name="input_b")
c = tf.add(a,b, name="add_c")

sess = tf.Session()

print("a = ",sess.run(a))
print("c = ",sess.run(c))

       执行结果如下：

a =  [41]
c =  [88]

        代码中的公式为c=a+1，而上述结果中c≠1。说明在两次执行sess.run时，均是从最开始的输入开始计算，第一个sess.run虽然计算出了a，但这个a并没有作为第二个sess.run的输入a。

         如果想先执行sess.run(a)，对a做一些操作或运算后，然后再继续算c，该怎么操作呢？

         第一个解决方法是，将a的值暂时保存下来。然后，在计算c时利用feed_dict将a替换为保存的a。将上述代码更改为：

import tensorflow as tf

a = tf.random_uniform([1],minval=0,maxval=100,dtype=tf.int32)
b = tf.constant(1, name="input_b")
c = tf.add(a,b, name="add_c")

sess = tf.Session()

a_tmp = sess.run(a)
print("a = ",a_tmp)#也可以对a进行其他操作
print("c = ",sess.run(c,feed_dict={a:a_tmp}))

          执行结果为：

a =  [42]
c =  [43]

      第二个解决方法是，将a和c同时计算，并输出，代码如下：

import tensorflow as tf

a = tf.random_uniform([1],minval=0,maxval=100,dtype=tf.int32)
b = tf.constant(1, name="input_b")
c = tf.add(a,b, name="add_c")

sess = tf.Session()

a_tmp,c_tmp = sess.run([a,c])#将a和c同时计算
print("a = ",a_tmp)
print("c = ",c_tmp)

       执行结果为：
a = [83]
c = [84]

        总结：在用sess.run执行op时，每次都是从输入开始完整的执行运算。除非中间某个变量被feed_dict操作替换。