目录
TensorFlow学习系列（一）：初识TensorFlow
TensorFlow学习系列（三）：保存/恢复和混合多个模型
TensorFlow学习系列（四）：利用神经网络实现泛逼近器（universal approximator）
TensorFlow学习系列（五）：如何使用队列和多线程优化输入管道
在本文中，我们将围绕变量更新和控制依赖讨论更深层次的 TensorFlow 能力。
变量更新
到目前为止，我们已经将变量专门用于我们模型中的一些权重，这些权重将根据优化器的操作进行更新操作（如：Adam）。但是优化器并不是更新变量的唯一方法，还有别的一整套更高级的函数可以完成这个操作（你将再次看到，这些更高级的函数将作为一种操作添加到你的图中）。
最基本的自定义更新操作是 tf.assign() 操作。这个函数需要一个变量和一个值，并将值分配给这个变量，非常简单吧。
让我们来看一个例子：
import tensorflow as tf
# We define a Variable
x = tf.Variable(0,dtype=tf.int32)
# We use a simple assign operation
assign_op = tf.assign(x,x + 1)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(5):
print('x:',sess.run(x))
sess.run(assign_op)
# outputs:
# x: 0
# x: 1
# x: 2
# x: 3
# x: 4
这里没有什么特别地，就跟任何其他操作一样：你能在会话（session）中调用它，并且操作确保会发生变量更新。
我们将这个操作（assign）跟通常的优化器 train_op 进行比较。两者都做同样的事情：变量更新。唯一的区别是，优化器在进行变量更新之前，需要做大量的微积分操作。
TF 有许多的函数来支持手动更新变量，你可以在 TensorFlow 的函数帮助页面进行查看，很多的操作都可以被一些张量操作来取代，然后调用 tf.assign 函数来实现更新操作，但在一些情况下，这将会是非常麻烦的一件事。所以，TensorFlow 为我们提供了两种更新操作：
-
这些操作被用于稀疏更新（仅仅更新变量的一个子集）：https://www.tensorflow.org/api_guides/python/state_ops#Sparse_Variable_Updates
-
这些操作被用于稠密更新（一次更新一整个集合）：https://www.tensorflow.org/api_guides/python/state_ops#Variable_helper_functions
我不会深挖这些函数的功能。其中一些函数可能你现在不是很理解，我的建议是你可以通过一个很简单的脚本来学习这些函数，然后再写入你的实际模型中，这种方法会帮助你节约很多的调试时间。
最后再谈一下参数更新：如果我们想改变参数的维度呢？例如，在参数中多添加一行或者一列？到目前为止，我们一直在谈论 “assign” 这个概念，并没有涉及到维度的改变。
这个问题是可以被解决的，但是比较棘手：
-
tf.Variable函数中有一个参数validate_shape默认是设置为True。它阻止你对参数进行维度更新，所以我们必须将这个参数设置为False。
让我们看个例子：
import tensorflow as tf
# We define a "shape-able" Variable
x = tf.Variable(
[],# A list of scalar
dtype=tf.int32,validate_shape=False,# By "shape-able",i mean we don't validate the shape so we can change it
trainable=False
)
# I build a new shape and assign it to x
concat = tf.concat([x,[0]],0)
assign_op = tf.assign(x,concat,validate_shape=False) # We force TF,to skip the shape validation step
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(5):
print('x:',sess.run(x),'shape:',sess.run(tf.shape(x)))
sess.run(assign_op)
# outputs:
# x: [] shape: [0]
# x: [0] shape: [1]
# x: [0 0] shape: [2]
# x: [0 0 0] shape: [3]
# x: [0 0 0 0] shape: [4]
所以这也不是很难，对吧！让我们继续吧。
控制依赖
我们可以更新变量，但是如果你要在更新当前变量之前更新别的变量，那么这会造成一个严重问题：你需要调用很多次的 sess.run 来满足这个需求。这非常不实用，也没有效率。请记住，我们将参数留在图中更多，那么效率会更高。
那么有什么办法吗？当然有，那就是控制依赖。TF 提供了一组的函数来处理不完全依赖情况下的操作排序问题（就是哪个操作先执行的问题）。
让我们从最简单的例子开始：我们先构造一个拥有一个变量（Variable）和一个占位符（placeholder）的图，用来执行一个乘法操作。在每次进行乘法之前，我们需要对参数（Variable）进行更新操作，每次加一。那么，我们在实际的编程中怎么做到这一点呢？
如果我们开始天真的方式，只需要添加一个 tf.assign 调用就可以了，那么我们将得到如下结果：
import tensorflow as tf
# We define our Variables and placeholders
x = tf.placeholder(tf.int32,shape=[],name='x')
y = tf.Variable(2,dtype=tf.int32)
# We set our assign op
assign_op = tf.assign(y,y + 1)
# We build our multiplication (this could be a more complicated graph)
out = x * y
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(3):
print('output:',sess.run(out,Feed_dict={x: 1}))
# outputs:
# output: 2
# output: 2
# output: 2
从结果中我们可以看出，这种操作方式并不 work ：我们的变量（Variable）并没有增长，输出结果一直都是 2 。
如果你仔细查看上面的代码，并且在脑中构建这个图，你就可以清楚的看到，如果要计算 x 和 y 之间的乘法，该图不需要计算 assign_op ：因为如何对 y 进行更新操作，已经拥有了很好的定义。
为了解决这个问题，使得 y 能进行更新，我们需要一种方法来强制 TF 运行 assign_op 操作。
这种操作确实是存在的！我们可以添加一个控制依赖来做这件事。这样就像 Graph 或者 Variables 一样，我们能将它和 Python 语句一起使用。
让我们来看一个例子：
import tensorflow as tf
# We define our Variables and placeholders
x = tf.placeholder(tf.int32,y + 1)
# We build our multiplication,but this time,inside a control depedency scheme!
with tf.control_dependencies([assign_op]):
# Now,we are under the dependency scope:
# All the operations happening here will only happens after
# the "assign_op" has been computed first
out = x * y
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(3):
print('output:',Feed_dict={x: 1}))
# outputs:
# output: 3
# output: 4
# output: 5
一切都按照我们的想法进行工作了。TF 看到了我们设置的依赖关系，所以它在运行依赖关系里面的操作之前，它会运行 assign_op ，这里有一个可视化结果：
-
在上图，图并不会去计算
assign_op。 -
在下图，控制依赖在计算乘法之前会强制图去计算
assign_op。
一个陷阱
在前面我们讨论了如何去改变变量的维度。但是有一些地方需要注意，当我们使用控制依赖去改变变量维度时，那么我们进入了一个黑盒优化层面。
比如，你可以先查看一下这段代码：
import tensorflow as tf
# I define a "shape-able" Variable
x = tf.Variable(
[],dtype=tf.int32,i mean we don't validate the shape
trainable=False
)
# I build a new shape and assign it to x
concat = tf.concat([x,validate_shape=False)
with tf.control_dependencies([assign_op]):
# I print x after the assignment
x = tf.Print(x,data=[x,x.read_value()],message="x,x_read:")
# The assign_op is called,but it seems that print statement happens
# before the assignment,that is wrong.
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for i in range(3):
sess.run(x)
# outputs:
# x: [],x_read: [0]
# x: [0],x_read: [0 0]
# x: [0 0],x_read: [0 0 0]
让我们仔细看看这段代码：
-
打印操作依赖于
assign_op，它只能在x被更新之后计算。 -
然而，当我们打印
x的时候，它看起来好像没有更新。
发生了什么事情？？上述代码更像是一个BUG而不是一个好的功能，而且 TF 正在利用高速缓存来加速你的计算，但是这恰恰也是可能遇到的一个BUG，请小心这两点。
结束语
那么，我们怎么来使用这些新的性能呢？其中一点我想到的是，维度变化这个功能可以用在 NLP 问题中的句子长度不一问题，如果你在处理词向量问题时，遇到句子之间的长度不同，那么你不需要添加 <UNK> 之类的标志，直接改变维度就可以了。
注意：我不确定这个想法是否能产生好的效果，如果你做了实验，那么我很想听到实验结果，感谢！
Reference：
http://stackoverflow.com/questions/38994037/tensorflow-while-loop-for-training
原文链接：https://www.f2er.com/javaschema/282725.html