Python tf.py_func（）使用lambda函数在循环中意外输出

在实现相同的简单功能时，我观察到Numpy和pure Tensorflow的不同行为，这些功能在for循环中的迭代中共享一个变量

让我们从纯Numpy版本开始：

def my_func(x, k):
    return np.tile(x,k)

x = np.ones((1), np.int64)
for i in range(1,3):
    x = my_func(x, i)

print(x)

这将产生预期的输出。最初

x

是

[1]

。在第一次迭代中，它被复制一次以生成

[1]

。然后在下一次迭代中，将结果复制两次，生成最终输出

[1]

类似的方法也会在纯Tensorflow中产生相同的预期输出：

x = tf.constant([1], tf.int64)
for i in range(1,3):
    x = tf.tile(x, [i])

with tf.Session() as sess:
    xx = sess.run(x)
    print(xx)

输出为

[1]

现在我正尝试使用基本相同的东西，我无法理解为什么我看到了不同的输出。此代码：

import tensorflow as tf
import numpy as np

def my_func(x, k):
    return np.tile(x,k)

x = tf.constant([1], tf.int64)
for i in range(1,3):
    x = tf.py_func(lambda y: my_func(y, i), [x], tf.int64)

with tf.Session() as sess:
    xx = sess.run(x)
    print(xx)

生成意外结果

[1]

为什么会这样？

py_func

是否具有某些属性，使其无法与共享（张量）变量名（在本例中是在每次循环迭代中更新的变量

x

）配合使用

---

请注意，这是一个简单的例子，重现了这个问题，其功能很容易在纯Tensorflow中重现。在我的实际应用程序中，需要使用

tf.py_func

，因为该功能更加复杂。

如果没有lambda函数，它将按预期工作：

import tensorflow as tf
import numpy as np

def my_func(x, k):
    return np.tile(x,k)

x = tf.constant([1], tf.int64)
for i in range(1,3):
    x = tf.py_func(my_func, [x, i], tf.int64)

with tf.Session() as sess:
    xx = sess.run(x)
    print(xx)

返回

[1]

编辑

我找到了原因：

lambda y:my_func（y，I）

通过引用而不是值保存I。因此，for循环的最后一个i值应用于循环中的所有

py_func

。下面是一个简单的示例，说明了问题：

import tensorflow as tf

def my_func(x, y):
  return x - y

x1 = tf.constant([0], tf.float32)
for i in range(2):
    x1 = tf.py_func(lambda y: my_func(y, i), [x1], tf.float32)

x2 = tf.constant([0], tf.float32)
x2 = tf.py_func(lambda y: my_func(y, 0), [x2], tf.float32)
x2 = tf.py_func(lambda y: my_func(y, 1), [x2], tf.float32)

with tf.Session() as sess:
    print(sess.run(x1))
    print(sess.run(x2))

---

干得好！这一次真让我抓狂。