首页 文章

TensorFlow图中的条件评估

提问于
浏览 次
2

这可以通过 tf.cond 完成，但是它将从manual更新图形的两个分支：

请注意，条件执行仅适用于true_fn和false_fn中定义的操作 . 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，并且不会执行tf.square操作 . 由于cond的至少一个分支需要z，因此无条件地始终执行tf.multiply操作 .

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

更具体地说，我正在尝试做什么：

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 中，因为手动它可以工作：

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
python tensorflow

1 回答

  • 5

    一般解决方案如下：移动要有条件地执行的代码 into the body of the lambda （或者通常是可调用对象），用于 tf.cond() 的相应分支 . 例如，要确保 tf.multiply(a, b) 仅在 x < y 时执行，请将其移动到 true_fn lambda中：

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

    相同的原理可以应用于变量更新操作，例如 tf.assign() . 重要的细节是您必须创建用于其中一个分支的 tf.assign() op inside the body of the function . 这里's how you' d修改你的第二个例子：

    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})

    赋值的控制依赖关系有点繁琐，所以您也可以将 f1() 写为：

    def f1():
  return tf.assign(var1, var1 + 1) * 1.1

    ......或者将整个事情放在一行：

    final = tf.cond(training, lambda: tf.assign(var1, var1 + 1) * 1.1, lambda: var1 * 1.1)
    回复于

相关问题