tf.identity في تنسرفلو Tensorflow

حسناً.. افترض أنك ترغب في تشغيل operator معين في كل مرة يتم فيها تقييم متغير معين. على سبيل المثال ، لنفترض أنك ترغب في إضافة واحد إلى c في كل مرة يتم فيها تقييم المتغير k. قد يبدو لك أن هذا الكود سيعمل:

c = tf.Variable(0.0)
cp = tf.assign_add(c, 1)
with tf.control_dependencies([cp]):
    k = c
init = tf.initialize_all_variables()
with tf.Session() as session:
    init.run()
    for i in xrange(4):
        print(k.eval())
#0, 0, 0, 0
# لكن كما تلاحظ لم ينجح الأمر

وذلك لأننا بحاجة إلى إضافة عقدة جديدة إلى الرسم البياني داخل كتلة control_dependencies. لذلك في مثل هكذا حالة يمكننا أن نستخدم tf.identity حيث يضيف عقدة وهمية:

c = tf.Variable(0.0)
cp = tf.assign_add(c, 1)
with tf.control_dependencies([cp]):
    k = tf.identity(c)
init = tf.initialize_all_variables()
with tf.Session() as session:
    init.run()
    for i in xrange(4):
        print(k.eval())
# 1, 2, 3, 4

وبشكل عام هو مفيد أيضاً عندما تريد نقل tensor بين الأجهزة (مثلاً ، من ال GPU إلى ال CPU). حيث يضيف op عقد الإرسال / الاستلام إلى الغراف ، مما يؤدي إلى إنشاء نسخة عندما تختلف أجهزة الإدخال والإخراج. إن السلوك الافتراضي هو أن تتم إضافة عقد الإرسال / الاستلام ضمنياً عندما تحدث العملية على جهاز مختلف ولكن يمكنك تخيل بعض المواقف (خاصة في الإعدادات multi-threaded/distributed ) عندما يكون من المفيد جلب قيمة المتغير عدة مرات خلال عملية تنفيذ واحدة للجلسة. يسمح tf.identity بمزيد من التحكم فيما يتعلق بوقت قراءة القيمة من الجهاز المصدر.