TensorFlow 一个节点的生命周期；

Question

当 TensorFlow 对两个变量进行评估时，它不应该重用之前评估的值。（这是 Aurélien Géron 在使用 sklearn 和 tensorflow 进行机器学习中提到的内容）

w = tf.constant(5)
x = w + 5
y = x**2 + 5
z = x**2 + 5

以上面提到的一段代码为例。 y 和 z 应该具有相同的值，如果 x 在它们的评估之间没有被修改。 但是我尝试在评估之间修改它们的值，但它们仍然具有相同的结果。

with tf.compat.v1.Session() as sess:
    a = y.eval()
    x = w + 3
    b = z.eval()

如果这是一个非常愚蠢的问题，我很抱歉，但我只是想弄清楚我的基础知识，如果有人花时间解释这个问题会非常有帮助。谢谢

print(a) 
# 366
print(b)
# 366

Answer 1

为了澄清您的疑问，在您的代码中，

w = tf.constant(5)
x = w + 5
y = x**2 + 5
z = x**2 + 5

只创建一个计算图，直到你创建一个session，即使变量还没有初始化。

在下面的代码中，

with tf.compat.v1.Session() as sess:
    a = y.eval()
    x = w + 3
    b = z.eval()  

会话打开后，它会负责将所有操作放入您正在计算的设备（CPU 或 GPU）中。它包含所有变量。

在 Session 内部，一旦调用 eval，Tensorflow 就会自动确定它所依赖的节点，并首先评估这些节点，以向您解释您所采取的两种情况。

1. a = y.eval()

这里y依赖x，x依赖w，所以先计算w，再计算x计算y。

1. b = z.eval()

这里z依赖于x，x依赖于w，再次从开始它首先评估w并评估x以计算z。 它不会重用在 y 上完成的 eval 中 x 和 w 的结果。

在这两个 eval 中，节点都是由 Tensorflow 选择的，因为值 x 是第一个实例。

以下是计算的图形表示。您可以在哪里看到第二个 x 声明不是图表的一部分（右上角）。

如果您想按顺序运行计算，您可以使用sess.run() 而不是eval()。

当sess.run() 被调用时，该方法以下列方式完成我们图中的一组计算：它从请求的输出开始，然后向后工作，计算必须根据一组依赖关系执行的节点.

下面是修改后的例子，得到了想要的结果。

import tensorflow as tf

w = tf.constant(5)
x = w + 5
y = x**2 + 5
x = w + 3
z = x**2 + 5


with tf.compat.v1.Session() as sess:
  # a = y.eval()
  # init.run()
  # b = z.eval()
  print(sess.run(z))
  print(sess.run(y)) 

输出：

 69
105

您可以注意到，当请求sess.run(z) 时，向后计算立即x 值为x = w + 3，类似sess.run(y)，而向后计算立即x 值为x = w + 5。