Python 包含散布和更新的tensorflow中while_循环的实现

好的，这个问题与a有关（如果它起作用，也可以被认为是这个问题的答案）。无论如何，我正在尝试实现一个

tf.while\u循环

，以满足我的需要。我需要在其中应用一个

tf.scatter\u and\u update

函数，但由于某种原因，它会抛出一个错误

揭示问题的小脚本如下：

import tensorflow as tf

ref = tf.Variable([[0, 1, 0, 2],
                   [0, 1, 2, 2],
                   [1, 2, 1, 3]], dtype=tf.int32)
true_array = tf.Variable([[1, 1, 1, 1]])
false_array = tf.Variable([[1, 0, 1, 0]])
num_iters = tf.Variable(3, dtype=tf.int32)  # 3


def body(ref, true_array, false_array, j, num_iters):
    samples = tf.cond(tf.equal(tf.reduce_sum(ref[j, :], axis=0), 1), lambda: true_array, lambda: false_array)
    ref = tf.scatter_nd_update(ref, [[j]], samples)
     j = tf.add(j, 1)
    return ref, true_array, false_array, j, num_iters


cond = lambda ref, true_array, false_array, j, num_iters: tf.less(j, num_iters)
j = tf.Variable(0, dtype=tf.int32)  # tf.constant(0)
ref, true_array, false_array, j, num_iters = tf.while_loop(cond, body, [ref, true_array, false_array, j, num_iters])
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print('ref', sess.run(ref))
    print('j', sess.run(j))

它抛出了一个错误

AttributeError:“Tensor”对象没有属性“\u lazy\u read”

行内

ref=tf.散射和更新（ref，[[j]]，样本）

。出于某种原因，我的一个对象是

张量

，它不包含

\u lazy\u read

属性。这里有一个类似的问题，建议将张量转换为变量，但在我的例子中，它不起作用。我尝试在

函数体中使用
ref=lambda:tf.Variable（ref）
，但这会引发另一个错误：

AttributeError:“函数”对象没有属性“dtype”

是否有人知道如何在使用
分散更新
进行循环时实现此

值得注意的是，上面的代码在急切模式下工作得很好

tf版本1.15

编辑：

删除了急切执行模式（错误插入）。
在经历了许多挫折和死胡同后，我找到了一个有效的组合解决方案

我应该只使用在地方，它似乎工作良好。不过，我无法具体说明这两者之间的区别。第一条规定：

根据索引将更新分散到现有张量中

而第二个：

将稀疏更新应用于变量中的单个值或切片

然而在我看来，他们似乎完成了同样的工作。无论如何，也许tensorflow团队也有类似的想法，因为这两个版本只有TF2.0版本中的第一个

import tensorflow as tf

ref = tf.Variable([[0, 1, 0, 2],
                   [0, 1, 2, 2],
                   [1, 2, 1, 3]], dtype=tf.int32)
true_array = tf.Variable([[1, 1, 1, 1]])
false_array = tf.Variable([[1, 0, 1, 0]])
num_iters = tf.Variable(3, dtype=tf.int32)  # 3


def body(ref, true_array, false_array, j, num_iters):
    samples = tf.cond(tf.equal(tf.reduce_sum(ref[j, :], axis=0), 1), lambda: true_array, lambda: false_array)
    ref = tf.tensor_scatter_nd_update(ref, [[j]], samples)
     j = tf.add(j, 1)
    return ref, true_array, false_array, j, num_iters


cond = lambda ref, true_array, false_array, j, num_iters: tf.less(j, num_iters)
j = tf.Variable(0, dtype=tf.int32)  # tf.constant(0)
ref, true_array, false_array, j, num_iters = tf.while_loop(cond, body, [ref, true_array, false_array, j, num_iters])
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print('ref', sess.run(ref))
    print('j', sess.run(j))

输出为：

update [[1 1 1 1]
 [1 0 1 0]
 [1 0 1 0]]
samples 3