tensorflow ops

tensorflow 源码解析：https://github.com/horance-liu/tensorflow-internals
https://raw.githubusercontent.com/horance-liu/tensorflow-internals/master/tensorflow-internals.pdf

导数、偏导数、微分、梯度

（1）导数
导数（Derivative），是针对一元变量而言的，当函数y=f（x）的自变量x在一点x0上产生一个增量Δx时，函数输出值的增量Δy与自变量增量Δx的比值在Δx趋于0时的极限。
几何意义：导数描述了一个函数在某一点附近的变化率。当自变量和取值都是实数时为切线斜率。
函数可导的充要条件：左导数和右导数都存在并且相等。

（2）偏导数
偏导数是针对多变量函数的，就是其关于其中一个变量的导数而保持其他变量的值不变。就是其在某一个变量方向上的变化率。

（3）微分
由函数B=f(A)，得到A、B两个数集，在A中当dx靠近自己时，函数在dx处的极限叫作函数在dx处的微分，微分的中心思想是无穷分割。
通常把自变量x的增量 Δx称为自变量的微分，记作dx，即dx = Δx。于是函数y = f(x)的微分又可记作dy = f’(x)dx。
函数因变量的微分与自变量的微分之商等于该函数的导数。因此，导数也叫做微商。
几何意义：当Δx很小时，切线纵坐标的增量。

（4）梯度
，梯度的本意是一个向量（矢量），表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。

tf.control_dependencies()

with tf.control_dependencies(control_inputs)
  exec_ops
在执行某些 exec_ops 之前，control_inputs得首先被运行。
但是对于 Variable 的 identity op 会在 control dependence 后重新计算，但其它 op 都不会重新计算。
https://blog.csdn.net/u012436149/article/details/72084744

x = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):
    y = x

init = tf.initialize_all_variables()
with tf.Session() as session:
    init.run()
    for i in xrange(5):
        print(y.eval())

print 0, 0, 0, 0, 0
session 中没有 run 这和 x_plus_1 变量，所以 x_plus_1 不会被执行，虽然 control_dependencies 中依赖是 x_plus_1，但是并不会执行这个运算，而是确定被定义了。

x = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):
    y = tf.identity(x)

init = tf.initialize_all_variables()
with tf.Session() as session:
    init.run()
    for i in xrange(5):
        print(y.eval())

prints 1, 2, 3, 4, 5

b = tf.identity(a)

返回一个tensor(b)，这个tensor(b)的size和shape与输入tensor(a)是相同的。
通常identity与Variable一起使用，并且identity去除了Variable的引用标识，同时也避免了内存拷贝。
还可以用于CPU和GPU等不同设备之间的数据传输，以及与 control_dependencies 配合使用。

tf.global_variables_initializer()

变量初始化：https://www.jianshu.com/p/bebcdfb74fb1
sess.run(tf.global_variables_initializer()) 所做的动作如下

tf.assign()

tf.assign(A, new_number): 这个函数的功能主要是把A的值变为new_number，即 C++ 的 A = new_number；

NoOp

NoOp，即不存在输入，也不存在输出，作用是：通过控制依赖边与该NoOp相连，保证相应的变量运行。
如1：所有的全局变量的初始化器，就是一个NoOp，通过控制依赖边与该NoOp相连，保证所有的全局变量被初始化。
如2：tf.control_dependencies() 中的控制变量也是一个NoOp，用于控制变量的依赖。