如何在tensorflow中实现过滤器？

我有一个卷积神经网络，有三幅图像作为输入：

x_anchor = tf.placeholder('float', [None, 4900], name='x_anchor')
x_positive = tf.placeholder('float', [None, 4900], name='x_positive')
x_negative = tf.placeholder('float', [None, 4900], name='x_negative')

在

train

函数中，我向占位符提供实际图像：

 input1, input2, input3 = training.next_batch(start,end)
    ....some other operations...
loss_value  = sess.run([cost], feed_dict={x_anchor:input1, x_positive:input2, x_negative:input3})

我在这三个输入上使用了三重损失函数（实际上是上面的成本变量）：

如何过滤损耗，以便仅使用损耗值>0的图像来训练网络？

我如何实现以下功能：

if(loss_value for input1, input2, input3 > 0)
  use inputs to train network
else
 do nothing/try another input

到目前为止我所尝试的：

我一个接一个地拍摄图像（input1[0]，input2[0]，input3[0]），计算损失，如果损失为正，我将计算（并应用）梯度。但问题是，我在模型中使用了辍学，我必须对输入应用两次模型：

首先计算损失并验证其是否大于0

第二步是运行优化器：这是出现问题的时候。正如我前面提到的，我使用了dropout，因此模型对我输入的结果不同，因此，即使在步骤1确定的损耗大于0，新损耗有时也将为0

---

我还尝试使用

tf.py_func

，但被卡住了。

有一个新的TensorFlow功能，名为“自动签名”。AutoGraph将Python代码（包括控制流、print（）和其他Python本机特性）转换为纯TensorFlow图形代码。例如：

@autograph.convert()
def huber_loss(a):
  if tf.abs(a) <= delta:
    loss = a * a / 2
  else:
    loss = delta * (tf.abs(a) - delta / 2)
  return loss

您想要做的事情可以在使用

tf.cond（）之前实现

我通过这篇文章了解到了这一点。
你的体重相对于批次零损失部分的梯度应该是零，对吗？所以，在计算如何使损失正常化时，你最多需要计算它们，除非我遗漏了什么。不过，您可以使用
tf.cond
有条件地运行optimizer ops（在batch size one设置中）。
@autograph.convert()
def huber_loss(a):
  if tf.abs(a) <= delta:
    loss = a * a / 2
  else:
    loss = delta * (tf.abs(a) - delta / 2)
  return loss

def tf__huber_loss(a):
  with tf.name_scope('huber_loss'):
    def if_true():
      with tf.name_scope('if_true'):
        loss = a * a / 2
        return loss,
    def if_false():
      with tf.name_scope('if_false'):
        loss = delta * (tf.abs(a) - delta / 2)
        return loss,
    loss = ag__.utils.run_cond(tf.less_equal(tf.abs(a), delta), if_true,
        if_false)
    return loss