本文翻譯自： ， 如有侵權請聯繫刪除，僅限於學術交流，請勿商用。如有謬誤，請聯繫指出。
正如我們剛開始提到的，TensorFlow不會立刻運行定義了的操作，而是在計算圖中創造一個相關的節點，這個節點可以用Session.run()進行執行。這個使得TensorFlow可以在運行時進行優化，以此確定最佳執行順序，並且在運算中剔除一些不需要使用的節點。如果你只是在計算圖中使用tf.Tensors，你就不需要擔心依賴問題，但是你更可能會使用tf.Variable()，這個操作使得問題變得更加困難。我的建議是如果張量不能滿足這個工作需求，那麼僅僅使用Variables就足夠了。這個可能不夠直觀，我們不妨先觀察一個例子：
import tensorflow as tf
a = tf.constant(1)
b = tf.constant(2)
a = a + b
tf.Session().run(a)
正如我們期待的那樣，“a”的計算結果是3。注意下，我們創建了3個張量，其中包含兩個常數張量和一個儲存加法結果的張量。務必注意我們不能重寫一個張量的值，如果我們想要改變張量的值，我們就必須要創建一個新的張量，就像我們剛才做的那樣。
小提示：如果你沒有定義一個新的計算圖，TF將會自動地為你構建一個默認的計算圖。你可以使用tf.get_default_graph()去獲得一個計算圖的句柄（handle），然後，你就可以查看這個計算圖了。比如，打印這個計算圖的所有張量：
print(tf.contrib.graph_editor.get_tensors(tf.get_default_graph()))
和 tensors 不同的是，變量Variables可以更新，所以讓我們用變量去實現我們剛才的需求：
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))
同樣，正如預期一樣，我們又得到了3。注意到tf.assign()返回的代表這個賦值操作的張量。目前為止，所有 的操作都沒有問題，但是讓我們觀察一個稍微有點複雜的例子吧：
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，張量c並沒有一個確定性的值。這個值可能是3或者7，取決於加法和賦值操作誰先運行。
您應該注意，在代碼中定義的操作的順序與TensorFlow運行時無關。唯一會影響到執行順序的是控制依賴。控制依賴對於張量來說是直接的。每一次你在操作中使用一個張量時，操作將會定義一個對於這個張量來說的隱式的依賴。但是如果你同時也使用了變量，事情就變得更糟糕了，因為變量可以取很多值。
當處理這些變量時，你可能需要顯式地去通過使用tf.control_dependencies()去控制依賴，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]))
這會確保賦值操作在加法操作之後被調用。
閱讀更多 僱個城管打天下y 的文章
