本文翻译自： ， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。
正如我们刚开始提到的，TensorFlow不会立刻运行定义了的操作，而是在计算图中创造一个相关的节点，这个节点可以用Session.run()进行执行。这个使得TensorFlow可以在运行时进行优化，以此确定最佳执行顺序，并且在运算中剔除一些不需要使用的节点。如果你只是在计算图中使用tf.Tensors，你就不需要担心依赖问题，但是你更可能会使用tf.Variable()，这个操作使得问题变得更加困难。我的建议是如果张量不能满足这个工作需求，那么仅仅使用Variables就足够了。这个可能不够直观，我们不妨先观察一个例子：
import tensorflow as tf
a = tf.constant(1)
b = tf.constant(2)
a = a + b
tf.Session().run(a)
正如我们期待的那样，“a”的计算结果是3。注意下，我们创建了3个张量，其中包含两个常数张量和一个储存加法结果的张量。务必注意我们不能重写一个张量的值，如果我们想要改变张量的值，我们就必须要创建一个新的张量，就像我们刚才做的那样。
小提示：如果你没有定义一个新的计算图，TF将会自动地为你构建一个默认的计算图。你可以使用tf.get_default_graph()去获得一个计算图的句柄（handle），然后，你就可以查看这个计算图了。比如，打印这个计算图的所有张量：
print(tf.contrib.graph_editor.get_tensors(tf.get_default_graph()))
和 tensors 不同的是，变量Variables可以更新，所以让我们用变量去实现我们刚才的需求：
a = tf.Variable(1)
b = tf.constant(2)
assign = tf.assign(a, a + b)
sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(assign))
同样，正如预期一样，我们又得到了3。注意到tf.assign()返回的代表这个赋值操作的张量。目前为止，所有 的操作都没有问题，但是让我们观察一个稍微有点复杂的例子吧：
a = tf.Variable(1)
b = tf.constant(2)
c = a + b
assign = tf.assign(a, 5)
sess = tf.Session()
for i in range(10):
sess.run(tf.global_variables_initializer())
print(sess.run([assign, c]))
注意到，张量c并没有一个确定性的值。这个值可能是3或者7，取决于加法和赋值操作谁先运行。
您应该注意，在代码中定义的操作的顺序与TensorFlow运行时无关。唯一会影响到执行顺序的是控制依赖。控制依赖对于张量来说是直接的。每一次你在操作中使用一个张量时，操作将会定义一个对于这个张量来说的隐式的依赖。但是如果你同时也使用了变量，事情就变得更糟糕了，因为变量可以取很多值。
当处理这些变量时，你可能需要显式地去通过使用tf.control_dependencies()去控制依赖，如：
a = tf.Variable(1)
b = tf.constant(2)
c = a + b
with tf.control_dependencies([c]):
assign = tf.assign(a, 5)
sess = tf.Session()
for i in range(10):
sess.run(tf.global_variables_initializer())
print(sess.run([assign, c]))
这会确保赋值操作在加法操作之后被调用。
閱讀更多 僱個城管打天下y 的文章
