Machine learning 如果在构建图形时涉及for循环，那么tensorflow中的autodiff是否有效？

我有一种情况，我有一批图像，在每一张图像中，我必须对图像中的一个小补丁执行一些操作。现在的问题是，批处理中的每个图像中的面片大小都是可变的。所以这意味着我不能向量化它。我可以通过考虑图像中像素的整个范围来进行矢量化，但我的每个图像的面片大小实际上是很小的一部分，我不想通过执行操作和存储每个图像中所有像素的结果来浪费内存

---

简而言之，我需要使用一个循环。现在我看到tensorflow只定义了一个while循环，没有for循环。所以我的问题是，如果我使用一个简单的python风格的for循环来对我的张量执行操作，autodiff会不能在我的图中计算梯度吗

Tensorflow不知道因此不关心图形是如何构造的，您甚至可以手工编写每个节点，只要使用适当的函数来编写。所以特别是for循环与TF无关。另一方面，TF while loop使您能够在图形中表达动态计算，因此如果您希望按顺序处理数据，并且只需要内存中的当前数据，则只有while loop可以实现这一点。如果通过循环手动创建一个巨大的图形，它将始终被执行，所有内容都存储在内存中。只要这适合你的机器，你就可以了。另一件事是动态长度，如果有时需要运行循环10次，有时需要运行1000次，则必须使用tf。而对于for循环，除非为每个可能的长度创建单独的图形。

应该可以，尽管图形会更大，但图形大小为2GBlimit@YaroslavBulatov，谢谢你的回复！两个后续问题-a。2GB大小；它是用于整个图还是用于单个张量图中的节点？B如果正常的for循环起作用，那么张量流引入tf.while\u循环有什么原因吗？这只是为了让后端的工作更高效吗？谢谢你的详细解释！现在对于tensorflow为什么提供了tf.while\u循环有了更多的理解。