如何评估 TensorFlow 中新的 tf.Contrib.Summary 摘要？

我在理解新的 tf.contrib.summary API 方面遇到了一点困难。在旧版本中，人们似乎只需要运行 tf.summary.merge_all()并将其作为一个操作来运行。

但是现在我们有了像 tf.contrib.summary.record_summaries_every_n_global_steps这样的东西，可以这样使用:

import tensorflow.contrib.summary as tfsum


summary_writer = tfsum.create_file_writer(logdir, flush_millis=3000)
summaries = []


# First we create one summary which runs every n global steps
with summary_writer.as_default(), tfsum.record_summaries_every_n_global_steps(30):
summaries.append(tfsum.scalar("train/loss", loss))


# And then one that runs every single time?
with summary_writer.as_default(), tfsum.always_record_summaries():
summaries.append(tfsum.scalar("train/accuracy", accuracy))


# Then create an optimizer which uses a global step
step = tf.create_global_step()
train = tf.train.AdamOptimizer().minimize(loss, global_step=step)

现在有几个问题:

1. 如果我们只是在循环中运行 session.run(summaries)，我假设精度汇总每次都会被写入，而损失不会被写入，因为它只有在全局步骤被30整除的情况下才会被写入？
2. 假设汇总会自动评估它们的依赖关系，我从来不需要运行 session.run([accuracy, summaries])，但是可以只运行 session.run(summaries)，因为它们在图中有一个依赖关系，对吗？
3. 如果2)为真，我是否可以在训练步骤中添加一个控制依赖项，以便在每次列车运行时写出摘要？还是说这是个坏习惯？
4. 对于那些无论如何都要在同一时间进行计算的事情，通常使用控件依赖关系有什么不利之处吗？
5. 为什么 tf.contrib.summary.scalar(和其他的)采用 step参数？

在3中添加一个控制依赖项，我的意思是这样做:

tf.control_dependencies(summaries):
train = tf.train.AdamOptimizer().minimize(loss, global_step=step)