Tensorflow tf.梯度会通过tf.cond吗？

我想创建一对递归神经网络，比如NN1和NN2，其中NN2从上一时间步复制其输出，并且每当NN1输出与上一时间步不同的值时，不会在当前时间步更新其权重

为此，我计划使用

tf.cond（）

和

tf.stop\u gradients（）

。然而，在我运行的所有玩具示例中，我无法让

tf.gradients（）

通过

tf.cond（）

：

tf.gradients（）

只返回

[None]

下面是一个简单的玩具示例：

将tensorflow导入为tf
x=tf.常数（5）
y=tf.常数（3）
mult=tf.乘（x，y）
cond=tf.cond（pred=tf.const（True）），
真的_fn=lambda:mult，
false_fn=lambda:mult）
梯度=tf.梯度（条件，x）#返回[无]

这里是另一个简单的玩具示例，我在

tf.cond（）

中定义

true\u fn

和

false\u fn

（仍然没有骰子）：

将tensorflow导入为tf
x=tf.常数（5）
y=tf.常数（3）
z=tf.常数（8）
cond=tf.cond（pred=x

---

我最初认为梯度应该同时通过

true\u fn

和

false\u fn

，但显然没有梯度在流动。这是通过

tf.cond（）

计算的渐变的预期行为吗？有没有办法解决这个问题？

是的，渐变将通过

tf.cond（）

。您只需要使用浮点数而不是整数，并且（最好）使用变量而不是常量：

导入tensorflow作为tf
x=tf.Variable（5.0，dtype=tf.float32）
y=tf.Variable（6.0，dtype=tf.float32）
z=tf.Variable（8.0，dtype=tf.float32）
cond=tf.cond（pred=x