带tf.cond（）的TensorFlow中的LookUpError

工作环境

• TensorFlow发布版本：1.3.0-rc2
• TensorFlow git版本：v1.3.0-rc1-994-gb93fd37
• 操作系统：CentOS Linux 7.2.1511版（核心版）

问题描述

我使用

tf.cond（）

在处理时在训练和验证数据集之间移动。以下代码片段显示了我是如何完成的：

将tf.variable_scope（tf.get_variable_scope（））作为vscope:
对于范围（4）中的i：
使用tf.device（'/gpu:%d“%i”）：
将tf.name\u作用域（'GPU-Tower-%d“%i”）作为作用域：
worktype=tf.get_变量（“wt”，[]，初始值设定项=tf.zeros_初始值设定项（））
工作类型=tf.assign（工作类型，1）
工作条件=tf.相等（工作类型，1）
elem=tf.cond（工作条件，lambda:train_iterator.get_next（），lambda:val_iterato\
r、 获取_next（））
net=vgg16cnn2（元素[0]，numclass=256）
img=elem[0]
centropy=tf.reduce\u mean（tf.nn.sparse\u softmax\u cross\u entropy\u with\u logits（labels=ele\
m[1]，logits=net）
reg_损失=tf.get_收集（tf.GraphKeys.regulation_损失，范围）
regloss=0.05*tf.减少总损失（reg损失）
总损失=centropy+regloss
t1=tf.summary.scalar（“训练批次损失”，总损失）
tf.get_variable_scope（）.重用_variables（）
预测=tf.cast（tf.argmax（tf.nn.softmax（net），1），tf.int32）
正确的预测=tf.cast（tf.equal（预测，元素[1]），tf.float32）
批次精度=tf.减少平均值（正确预测）
t2=tf.summary.scalar（“训练批次精度”，批次精度）
正确的\u检测。追加（正确的\u预测）
梯度=最佳计算梯度（总损失）

因此，基本上基于

工作类型的值

，将从培训或验证集中获取一个小批量

当我运行这段代码时，我得到以下

查找错误

：

LookupError: No gradient defined for operation 'GPU-Tower-0/cond/IteratorGetNext_1' (op type: IteratorGetNext)

---

为什么

TensorFlow

认为

IteratorGetNext\u 1

需要梯度？如何解决此问题？

变量

worktype

标记为可培训。默认情况下，计算所有可训练变量的梯度

有两种方法可以解决此问题：

在中设置

trainable=False

使用的

var\u list

参数明确指定应计算其梯度的变量

---

我认为这是因为变量

worktype

被标记为可训练的<代码>优化。计算梯度（总损失）默认情况下计算所有可训练变量的梯度。尝试在

tf.get_variable（）

中设置

trainable=False

。非常感谢。它纠正了问题，也很好地阐明了培训的概念。好的，我将添加一个答案，然后。。。