为什么TensorFlow为部分变量生成ReadVariableOp，其余变量却没有？

我正在参照TensorFlow官方教程学习TensorBoard的Graphs仪表板功能，运行的代码如下：

@tf.function
def compute_j(a, b, c):
    J = 3*(a+b*c)
    return J

# Set up logging.
stamp = datetime.now().strftime("%Y%m%d-%H%M%S")
logdir = 'logs/func/%s' % stamp
writer = tf.summary.create_file_writer(logdir)

tf.summary.trace_on(graph=True, profiler=True)

a = tf.Variable(5.0)
b = tf.Variable(3.0)
c = tf.Variable(2.0)
compute_j(a, b, c).numpy()

with writer.as_default():
  tf.summary.trace_export(
      name="my_func_trace",
      step=0,
      profiler_outdir=logdir)

运行后得到的计算图如下：

请问为什么TensorFlow为红框标注的变量a和b生成了ReadVariableOp，却没有为变量c生成对应的ReadVariableOp呢？

这个现象是TensorFlow的图优化机制和TensorBoard的概念图可视化规则共同导致的，具体原因如下：

• ReadVariableOp是TensorFlow中用于读取tf.Variable存储值、将其转换为可参与计算的Tensor类型的必要算子，你的三个变量在实际执行阶段都会触发该操作，不存在c没有对应读操作的情况。
• 你当前在TensorBoard中查看的是概念图（Conceptual Graph），属于官方做过简化的可视化视图，目的是降低计算图的理解门槛，会默认将和后续计算算子高度绑定的低层级操作折叠到上层节点中，不会单独展示。
• 你代码中b * c对应的乘法算子Mul在图优化阶段和变量c的ReadVariableOp做了算子融合，因此c的读操作被整合进了乘法节点内部，没有出现在顶层视图中，你只要点击展开乘法节点就能看到隐藏的ReadVariableOp。
• 变量a的读操作后接的是加法算子，算子融合优先级低于乘法和读操作的融合，变量b的读操作没有被融合则是优化策略的优先级决策，二者的读操作没有被绑定到后续计算节点，因此单独显示在了顶层视图中。
  如果你切换到TensorBoard的全量执行图（Full Execution Graph）视图，就能清晰看到三个变量都有对应的独立ReadVariableOp节点。

内容的提问来源于stack exchange，提问作者JJJohn