Question

这可以通过tf.cond完成，但是它会更新图表的两个分支，来自manual：

请注意，条件执行仅适用于操作在true_fn和false_fn中定义。考虑以下简单程序：

z = tf.multiply(a, b)
result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y))

如果x < y，将执行tf.add操作并执行tf.square 操作不会被执行。因为至少需要一个z cond的分支，tf.multiply操作始终执行，无条件

我如何实现这一点，以便tf.multiply有条件地执行（即仅在x > Y时执行？）

更具体地说，我试图做的事情：

var1 = tf.Variable(tf.zeros(4), trainable=False, name='var1')
update_var1 = tf.assign(var1,var1 +1)
training = tf.placeholder(tf.bool)

def f1():
  with tf.control_dependencies([update_var1]):
    return var1*1.1

def f2():
  return var1 * 1.1

final = tf.cond(training, f1, f2)
sess.run(final, feed_dict={training:False})

每次评估final时，这将使var1增加1，无论training的值如何，问题都在tf.cond，因为手动操作：

var1 = tf.Variable(tf.zeros(4), trainable=False, name='var1')
update_var1 = tf.assign(var1,var1 +1)
training = tf.placeholder(tf.bool)

with tf.control_dependencies([update_var1]):
  f1 = var1 * 1.1

f2 = var1 * 1.1

sess.run(f1)
>> array([1.1,1.1,1.1,1.1])
sess.run(f1)
>> array([2.2,2.2,2.2,2.2])
# var1 gets updated every call
sess.run(f2)
>> array([2.2,2.2,2.2,2.2])
sess.run(f2)
>> array([2.2,2.2,2.2,2.2])
# var1 does not get updated

Answer 1

一般解决方案如下：将有条件地执行的代码移动到[2,4] （或者通常是可调用对象）的主体中，以获取相应的分支maxWidth的。{例如，要确保lambda仅在tf.cond()时执行，请将其移至tf.multiply(a, b) lambda：

x < y

同样的原则可以应用于变量更新操作，例如true_fn。重要的细节是您必须在其中一个分支的函数体内创建result = tf.cond(x < y, lambda: tf.add(x, tf.multiply(a, b)), lambda: tf.square(y)) op 。以下是您修改第二个示例的方法：

tf.assign()

分配的控制依赖关系有点繁琐，所以您也可以将tf.assign()写为：

var1 = tf.Variable(tf.zeros(4), trainable=False, name='var1') training = tf.placeholder(tf.bool) def f1(): with tf.control_dependencies([tf.assign(var1, var1 + 1)]): return var1 * 1.1 def f2(): return var1 * 1.1 final = tf.cond(training, f1, f2) sess.run(final, feed_dict={training: False})

...或者将整个事情放在一行：

f1()

TensorFlow图中的条件评估

1 个答案: