TensorFlow中"y=x"与y=tf.identity(x)的区别及代码疑问

这个问题刚好踩中了TensorFlow静态计算图的一个容易混淆的细节——控制依赖只追踪新创建的操作节点，而不是张量的引用。咱们把两个代码的差异拆解明白：

首先先明确tf.control_dependencies的核心作用：它会让上下文块内所有新创建的操作（Op），都必须等待指定的操作执行完成后才能运行。但它对“单纯的张量赋值引用”完全无效。

代码1：y = x为什么输出全是0.0？ #

import tensorflow as tf
x = tf.Variable(0.0, name="x")
x_plus_1 = tf.assign_add(x, 1.0)
with tf.control_dependencies([x_plus_1]):
    y = x  # 这里只是引用已存在的x张量，没有创建新操作
init = tf.initialize_all_variables()
with tf.Session() as sess:
    init.run()
    for i in range(5):
        print(y.eval())

当你写y = x时，并没有在计算图中新增任何操作节点——y只是x这个张量的一个“别名”，指向同一个已经存在的变量节点。tf.control_dependencies对这种单纯的引用关系毫无作用，它没办法强制要求“取x的值之前必须先执行x_plus_1”。

所以每次调用y.eval()时，程序直接读取了x当前的存储值（初始是0.0），完全没触发x_plus_1的执行，自然输出全是0.0。

代码2：y = tf.identity(x)为什么会递增输出？ #

import tensorflow as tf
x = tf.Variable(0.0, name="x")
x_plus_1 = tf.assign_add(x, 1.0)
with tf.control_dependencies([x_plus_1]):
    y = tf.identity(x)  # 创建了一个新的identity操作节点
init = tf.initialize_all_variables()
with tf.Session() as sess:
    init.run()
    for i in range(5):
        print(y.eval())

这里tf.identity(x)的关键是：它在计算图里创建了一个全新的操作节点，这个节点的功能就是复制输入张量x的值。

因为这个新节点是在tf.control_dependencies([x_plus_1])的上下文里创建的，所以TensorFlow会自动给它加上依赖关系：必须先执行完x_plus_1（把x的值加1），才能执行这个identity节点去获取x的新值。

所以每次y.eval()都会先触发x加1，再返回更新后的值，输出就是1.0、2.0、3.0、4.0、5.0。

额外补充：还有哪些写法能达到和tf.identity一样的效果？ #

只要是在控制依赖上下文里创建新操作的写法都可以，比如：

• y = x + 0.0（生成加法操作节点）
• y = tf.identity(x)（最标准的写法）
• y = tf.reshape(x, shape=[])（如果x是标量的话，生成reshape节点）

这些写法都会生成新的操作节点，从而被tf.control_dependencies约束，强制先执行前置的x_plus_1操作。

内容的提问来源于stack exchange，提问作者t94126