Tensorflow 03_: tensorflow中tensor的生命周期

前言

在学习上篇博文《Tensorflow 03: 前向神经网络－MIST》代码的过程中，发现一个比较有意思，但同时令人迷惑的一个问题，即tensorflow所定义在计算图中的各种各样的 tensor 的生命周期到底是怎样的？？？大家都知道：变量的　“作用域”　和　“生命周期”　号称Ｃ语言的倚天剑和屠龙刀，威力巨大。但在tensorflow中，tensor的所表现出来的生命周期现象与C语言中的不太一样。

自已产生上述顾虑的一个原因是：在用tensorflow构造自已的深度神经网络模型时，大家都习惯于将　“构图”　和　“图的训练”　分开，即将这两部分分别写到各自的函数中，如build_graph_model()和train_model()。那么这个时候就会产生一个问题，因为构图是在函数build_graph_model()中完成的，那么其中用到的参数变量如W，bias等要不要作为函数的返回值返回呢？？？如果不返回，因为这些W，bias等tensor 变量是一个局部变量，函数build_graph_model()调用完成后，是不是就死掉了，被程序回收了，那构图岂不是失败？？？

案例１

比如在上篇博文中有如下一段代码：

# 在 Tensorflow 默认图中创建模型    with tf.Graph().as_default():        images_placeholder, labels_placeholder = placeholder_inputs(FLAGS.batch_size)        # 构建前向计算的图模型.        logits = mnist.inference(images_placeholder, FLAGS.hidden1, FLAGS.hidden2)

其中，mnist.inference()是模块文件mnist.py中的一个函数，如下所示：

def inference(images, hidden1_units, hidden2_units):    """    构建网络前向计算图    参数:        images: 输入的 images, placeholder.        hidden1_units: 隐层１神经元大小.        hidden2_units: 隐层２神经元大小.    返回值:        softmax_linear:　logits.    """    # 隐层１    # tf.name_scope()函数返回一个context manager    with tf.name_scope('hidden1'):        weights = tf.Variable(tf.truncated_normal([IMAGE_PIXELS, hidden1_units],                                stddev=1.0 / math.sqrt(float(IMAGE_PIXELS))), name='weights')        biases = tf.Variable(tf.zeros([hidden1_units]), name='biases')        hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)    # 隐层２    with tf.name_scope('hidden2'):        weights = tf.Variable(tf.truncated_normal([hidden1_units, hidden2_units],                                stddev=1.0 / math.sqrt(float(hidden1_units))), name='weights')        biases = tf.Variable(tf.zeros([hidden2_units]), name='biases')        hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)    # 输出    with tf.name_scope('softmax_linear'):        weights = tf.Variable(tf.truncated_normal([hidden2_units, NUM_CLASSES],                                stddev=1.0 / math.sqrt(float(hidden2_units))), name='weights')        biases = tf.Variable(tf.zeros([NUM_CLASSES]), name='biases')        logits = tf.matmul(hidden2, weights) + biases    return logits

那么按照Ｃ语言中变量的生命周期原理，当程序执行完logits = mnist.inference(images_placeholder, FLAGS.hidden1, FLAGS.hidden2)这行代码后，函数inference中包含的局部变量如weights，biases，hidden１，hidden2等等都应该消失死掉了，但从后面程序的执行结果来看，可以看到tensorflow还是能够构造出完整的前向神经网络模型（该模型必须包含weights，biases，hidden１，hidden2等这些局部变量），说明这些局部变量可能没有“死掉”。那么可能的原因解释是：
（１）这些局部变量weights，biases，hidden１，hidden2等没有死掉，他们始终作为tensorflow计算图的的一部分存在。
（２）返回值logits可能包含这些局部变量的所有信息。虽然函数inference()执行完了，但这些局部变量的信息被存储在了返回值logits中，从而带出来了。

期待看到这篇博客的大神更好的解释！！！！