下面程式的功能是，做5次迴圈，每次迴圈給x加1，賦值給y，然後打印出來，所以我們預期達到的效果是輸出2，3，4，5，6。

x = tf.Variable(1.0)
y = tf.Variable(0.0)

#返回一個op，表示給變數x加1的操作
x_plus_1 = tf.assign_add(x, 1)

#control_dependencies的意義是，在執行with包含的內容（在這裡就是 y = x）前，
#先執行control_dependencies引數中的內容（在這裡就是 x_plus_1），這裡的解釋不準確，先接著看。。。
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())#相當於sess.run(y)，按照我們的預期，由於control_dependencies的作用，所以應該執行print前都會先執行x_plus_1，但是這種情況會出問題

這個列印的是1，1，1，1，1 。可以看到，沒有達到我們預期的效果，y只被賦值了一次。

如果改成這樣：

x = tf.Variable(1.0)
y
 
 = tf.Variable(0.0)
x_plus_1 = tf.assign_add(x, 1)

with tf.control_dependencies([x_plus_1]):
    y = tf.identity(x)#修改部分
init = tf.initialize_all_variables()

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

這時候列印的是2，3，4，5，6

解釋：對於control_dependencies這個管理器，只有當裡面的操作是一個op時，才會生效，也就是先執行傳入的引數op，再執行裡面的op。而y=x僅僅是tensor的一個簡單賦值，不是定義的op，所以在圖中不會形成一個節點，這樣該管理器就失效了。tf.identity是返回一個一模一樣新的tensor的op，這會增加一個新節點到gragh中，這時control_dependencies就會生效，所以第二種情況的輸出符合預期。