Python 如何在tensorflow中使用tf.while\u loop（）

这是一个一般性问题。我发现在tensorflow中，在我们构建图之后，将数据提取到图中，图的输出是一个张量。但是在很多情况下，我们需要基于这个输出（这是一个

张量

）进行一些计算，这在tensorflow中是不允许的

例如，我试图实现一个RNN，它根据数据自身属性循环时间。也就是说，我需要使用

张量

来判断我是否应该停止（我没有使用动态rnn，因为在我的设计中，rnn是高度定制的）。我发现

tf.while_loop（cond，body…）

可能是我实现的候选。但是官方的教程太简单了。我不知道如何在“body”中添加更多功能。谁能给我举几个更复杂的例子

---

此外，在这种情况下，如果未来的计算基于张量输出（例如：基于输出标准的RNN停止），这是非常常见的情况。是否有一种优雅的方式或更好的方式来代替动态图形？

是什么阻止了您向身体添加更多功能？您可以在主体中构建任意复杂的计算图，并从封闭图中获取任意输入。此外，在循环之外，您可以使用返回的任何输出执行任何您想要的操作。从“whatevers”的数量可以看出，TensorFlow的控制流原语是在考虑到很多通用性的情况下构建的。下面是另一个“简单”的例子，以防万一

import tensorflow as tf
import numpy as np

def body(x):
    a = tf.random_uniform(shape=[2, 2], dtype=tf.int32, maxval=100)
    b = tf.constant(np.array([[1, 2], [3, 4]]), dtype=tf.int32)
    c = a + b
    return tf.nn.relu(x + c)

def condition(x):
    return tf.reduce_sum(x) < 100

x = tf.Variable(tf.constant(0, shape=[2, 2]))

with tf.Session():
    tf.global_variables_initializer().run()
    result = tf.while_loop(condition, body, [x])
    print(result.eval())

将tensorflow导入为tf
将numpy作为np导入
def主体（x）：
a=tf.random_uniform（shape=[2,2]，dtype=tf.int32，maxval=100）
b=tf.constant（np.array（[[1,2]，[3,4]]），dtype=tf.int32）
c=a+b
返回tf.nn.relu（x+c）
def条件（x）：
返回tf。减少_和（x）<100
x=tf.Variable（tf.constant（0，shape=[2，2]））
使用tf.Session（）：
tf.global_variables_initializer（）.run（）
结果=tf.while_循环（条件，主体，[x]）
打印（result.eval（））

很好的解释。我的问题是在运行

主体
一次后，计算出我需要的
条件。这就像我需要使用body的返回值作为
条件的参数一样。循环是
while（condition（tensors））{tensors=body（tensors）；}
，因此每次传递的张量都会更新为body返回的张量，然后这些更新的张量会传递到
condition
。在
body
之前调用
condition
的唯一时间是第一次，在输入上面的伪代码循环的主体之前。但是，在这种情况下，只需正确初始化传递到
loop\u vars
中的张量。例如，您可以将
body
的结果作为
loop\u vars
张量传递给
while\u loop
。哦，使用
loop\u vars
我指的是
while\u loop
的函数定义，即
while\u loop（条件、body、loop\u vars）
（这是传递给
条件
和
主体
）的张量。在使用子类化实现SimpleRN时，我面临一个梯度为零的问题。我想知道我是否需要符号循环，或者我是否可以不使用它来管理？