Python Tensorflow:tf.case具有参数化可调用性，案例列表在for循环中定义

我试图在训练循环中为一组自动编码器实现一个case分支：根据特定的条件，只需要更新一个特定的自动编码器。我一直试图通过使用tf.case（）实现这一点，但它并没有像我预期的那样工作

def f(k_win):

    update_BW = tf.train.AdamOptimizer(learning_rate=learningrate).minimize(Cost_List[k_win])

    return update_MSE_winner(k_win) + [update_BW, update_n_List(k_win), update_n_alpha_List(k_win)] 

winner_index = tf.argmin(Cost_Alpha_List, 0)



Case_List = []

for k in range(N_Class): 

    Case = (tf.equal(winner_index,k), lambda: f(k))   

    Case_List.append(Case)


Execution_List = tf.case(Case_List, lambda: f(0))

winner_索引：要更新的自动编码器索引

f（k_win）：返回特定AE索引的所有更新可调用项

Case_列表：包含布尔和参数化函数对

执行列表：可为执行循环中的sess.run（）调用

for循环中的参数k应该定义Case_列表，特别是“lambda:f（k）”，但在建立列表后，所有“lambda:f（k）”似乎都设置为最后一个k=N_类-1：其效果是，只有最后一个自动编码器将被更新，而不是具有“winner_index”的自动编码器。有人知道这里发生了什么吗

---

谢谢

问题在于，您正在定义的lambda正在使用全局变量

k

，在调用函数时，该变量具有循环中的最后一个值（

N_Class-1

）

一个更简单的例子：

lst = []
for k in range(10):
    lst.append(lambda: k * k)
print([lst_i() for lst_i in lst])

给出：

[81, 81, 81, 81, 81, 81, 81, 81, 81, 81]

而不是：

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

更好地解释了这个问题，并指出了克服这个问题的几种方法。在您的情况下，您可以这样做：

def f(k_win):

    update_BW = tf.train.AdamOptimizer(learning_rate=learningrate).minimize(Cost_List[k_win])

    return update_MSE_winner(k_win) + [update_BW, update_n_List(k_win), update_n_alpha_List(k_win)] 

winner_index = tf.argmin(Cost_Alpha_List, 0)



Case_List = []

for k in range(N_Class): 

    Case = (tf.equal(winner_index,k), (lambda kk: lambda: f(kk))(k))   

    Case_List.append(Case)


Execution_List = tf.case(Case_List, lambda: f(0))

---

谢谢你的回答！这对我有帮助。