tf.control_dependencies与tf.identity组合详解

参考链接：

http://blog.csdn.net/m0_37041325/article/details/76943364

https://stackoverflow.com/questions/34877523/in-tensorflow-what-is-tf-identity-used-for

tf.control_dependencies(self, control_inputs)

arguments：control_inputs: A list of `Operation` or `Tensor` objects which must be executed or computed before running the operations defined in the context. （注意这里control_inputs是list）
return：  A context manager that specifies control dependencies for all operations constructed within the context.（返回所有在环境中的控制依赖的上下文管理器）

该方法可以控制操作（op）执行的顺序，不能为tensor

tf.identity(input, name=None) 

Args:
input: A Tensor.
name: A name for the operation (optional).

Returns:A tensor with the same shape and contents as the input tensor or value.

源于StackOverFlow有个关于两者使用的例子：

x = tf.Variable(0.0)x_plus_1 = tf.assign_add(x, 1)with tf.control_dependencies([x_plus_1]):    y = xinit = tf.global_variables_initializer()with tf.Session() as session:    init.run()    for i in range(5):        print(y.eval())

针对此程序，输出结果为：0.0 0.0 0.0 0.0 0.0

输出变量x，结果也为0.0

说明x_plus_1操作并没有被执行，我认为虽然tf.control_dependencies参数中的op列表会在with包含的操作op执行之前先执行，但是y=x这个语句并不是一个op，而是一个tensor，所以执行y=x时，并不会执行tf.control_dependencies参数中的操作op。

所以可以将  y=x 修改为 y=tf.identity(x),此时这个语句就是一个操作op，要先执行tf.control_dependencies参数中的op列表，再执行y=tf.identity(x)操作，最终输出结果为1.0 2.0 3.0 4.0 5.0,最终变量x的结果也为5.0，完整程序如下：

x = tf.Variable(0.0)x_plus_1 = tf.assign_add(x, 1)with tf.control_dependencies([x_plus_1]):    y = tf.identity(x)init = tf.global_variables_initializer()with tf.Session() as session:    init.run()    for i in range(5):        print(y.eval())    print(x.eval())