Python 在tensorflow图中创建计数器

我想在图表中创建一个计数器。每当函数运行时，它都会增加。这就是我现在正在尝试的。有什么想法吗

# init variable
tf_i = tf.Variable(1, name='v', dtype=tf.int32, expected_shape=())

# init assign op
tf_i_plus_one = tf.assign_add(tf_i, 1)
sess.run(tf.global_variables_initializer())

# simple test fx
def test(x):
    v = tf.get_variable('v', shape=())
    return x + v

# run test fx
z = tf.placeholder(tf.float32, shape=(), name='z')
out = test(z)

print(sess.run(out, feed_dict={z: 4}))
sess.run(tf_i_plus_one)

print(sess.run(out, feed_dict={z: 4}))

我现在得到：

Attempting to use uninitialized value v_1

---

如果只需要函数的计数器，请尝试以下操作：

def wrap_with_counter(fn, counter):
    def wrapped_fn(*args, **kwargs):
        # control_dependencies forces the assign op to be run even if we don't use the result
        with tf.control_dependencies([tf.assign_add(counter, 1)]):
            return fn(*args, **kwargs)
    return wrapped_fn

用法示例：

dense_counter = tf.get_variable(
    dtype=tf.int32, shape=(), name='dense_counter',
    initializer=tf.zeros_initializer())
wrapped_dense = wrap_with_counter(tf.layers.dense, dense_counter)


batch_size = 4
n_features = 8
# dummy input
x = tf.random_normal(
    shape=(batch_size, n_features), dtype=tf.float32, name='x')

out = wrapped_dense(x, 1)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    c0 = sess.run(dense_counter)
    print(c0)  # 0
    sess.run(out)
    c1 = sess.run(dense_counter)
    print(c1)  # 1

---

如果只需要函数的计数器，请尝试以下操作：

def wrap_with_counter(fn, counter):
    def wrapped_fn(*args, **kwargs):
        # control_dependencies forces the assign op to be run even if we don't use the result
        with tf.control_dependencies([tf.assign_add(counter, 1)]):
            return fn(*args, **kwargs)
    return wrapped_fn

用法示例：

dense_counter = tf.get_variable(
    dtype=tf.int32, shape=(), name='dense_counter',
    initializer=tf.zeros_initializer())
wrapped_dense = wrap_with_counter(tf.layers.dense, dense_counter)


batch_size = 4
n_features = 8
# dummy input
x = tf.random_normal(
    shape=(batch_size, n_features), dtype=tf.float32, name='x')

out = wrapped_dense(x, 1)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    c0 = sess.run(dense_counter)
    print(c0)  # 0
    sess.run(out)
    c1 = sess.run(dense_counter)
    print(c1)  # 1

---

谢谢非常有用。然而，为了理解tf如何处理图中的变量分配或更新，您对此有什么见解吗？根据经验，在实例化会话/do变量初始化之前，完全构建您的图。您在上面遇到的错误让我感到惊讶-我本以为变量v已经存在，不允许存在，但如果您将图形构造与会话运行分开，那么事情就更可预测了

tf.assign\u add

返回一个表示更新结果的张量，但如果会话中调用的任何内容都不依赖该结果，则不会运行该结果，因此更新也不会运行。添加

tf.control\u dependencies

是解决这一问题的一种方法。我可以在

Dateset

map/filter/apply函数中使用类似的方法来获取增量变量（例如

global\u步骤

）？再见，谢谢。非常有用。然而，为了理解tf如何处理图中的变量分配或更新，您对此有什么见解吗？根据经验，在实例化会话/do变量初始化之前，完全构建您的图。您在上面遇到的错误让我感到惊讶-我本以为变量v已经存在，不允许存在，但如果您将图形构造与会话运行分开，那么事情就更可预测了

tf.assign\u add

返回一个表示更新结果的张量，但如果会话中调用的任何内容都不依赖该结果，则不会运行该结果，因此更新也不会运行。添加

tf.control\u dependencies

是解决这一问题的一种方法。我可以在

Dateset

map/filter/apply函数中使用类似的方法来获取增量变量（例如

global\u步骤

）？看见