Python 在Tensorflow中使用惰性条件句

如果您对某些昂贵的操作有条件，您可能需要惰性行为，即仅计算所选的分支

以下选项可以工作，并且是懒惰的：

>>> a. tf.zeros(0)
>>> tf.cond(tf.equal(tf.size(a), tf.constant(0)), lambda: tf.constant(-1, dtype=tf.int64), lambda: tf.argmax(a)).eval()
-1

您可以看到它是懒惰的，因为argmax没有被计算，因为它会导致错误。因为argmax上的张量是空的。如果将argmax移出lambda，则会产生以下错误：

>>> am = tf.argmax(a)
>>> tf.cond(tf.equal(tf.size(a), tf.constant(0)), lambda: tf.constant(-1, dtype=tf.int64), lambda: tf.add(am, 1)).eval()
... Reduction axis 0 is empty in shape [0]

这不是由

tf.add

操作引起的。将其内联移动并再次工作：

>>> tf.cond(tf.equal(tf.size(a), tf.constant(0)), lambda: tf.constant(-1, dtype=tf.int64), lambda: tf.add(tf.argmax(a), 1)).eval()
-1

---

那么，问题是如何以更干净的方式处理惰性条件？

当条件函数变长时，上述方法会变得有点混乱。您可以做的是在条件外定义lambda表达式请注意，以下内容在Python interactive REPL中不起作用，它会导致

值错误：操作“cond_14/Merge”已标记为不可获取。

当您将代码放入python文件并以正常方式运行时，它确实起作用

import tensorflow as tf

sess = tf.InteractiveSession()

a = tf.zeros(0)
fn = lambda: tf.argmax(a)

res = tf.cond(
    tf.equal(tf.size(a), tf.constant(0)),
    lambda: tf.constant(-1, dtype=tf.int64),
    fn
    ).eval()
print(res)

res2 = tf.cond(
    tf.equal(tf.size(a), tf.constant(0)),
    lambda: tf.constant(-1, dtype=tf.int64),
    lambda: tf.add(fn(), tf.constant(1, dtype=tf.int64))
    ).eval()
print(res2)
# Output:
# -1
# -1