TensorFlow图节点评估顺序：依赖D的A、B、C在sess.run时D仅评估一次吗？

放心，答案是是的——当你调用sess.run([A,B,C,D])时，节点D只会被评估一次，它的计算结果会被复用给依赖它的A、B、C三个节点。

TensorFlow的会话在执行run()请求时，会先对整个计算图做依赖分析，自动识别出共享的依赖节点，然后优化执行流程：对于被多个下游节点依赖的节点，只会执行一次计算，把结果缓存起来供所有依赖它的节点使用，这样能避免重复计算带来的资源浪费。

你可以用一段简单的代码验证这个行为：

import tensorflow as tf

# 定义节点D，用打印操作追踪执行次数
def get_d_node():
    print("D节点开始执行计算！")
    return tf.constant(10.0)

D = get_d_node()
A = D + 2
B = D * 3
C = D - 4

with tf.Session() as sess:
    a_result, b_result, c_result, d_result = sess.run([A, B, C, D])
    print(f"A的结果: {a_result}, B的结果: {b_result}, C的结果: {c_result}, D的结果: {d_result}")

运行这段代码后，你会发现控制台只会打印一次D节点开始执行计算！，同时输出的A、B、C结果都是基于同一个D的值计算出来的，这就实锤了D只被评估了一次。

这种默认优化对计算成本高的节点特别有用，比如复杂的特征提取、大矩阵运算等，能显著提升运行效率。

内容的提问来源于stack exchange，提问作者Ujjwal