Tensorflow 组合条件和控制依赖项

我试图执行一段有条件的代码，这段代码又依赖于首先执行的另一个op。此工作的简单版本，如下所示：

x = tf.Variable(0.)
x_op = tf.assign(x, 1.)

with tf.control_dependencies([x_op]):
    true_fun  = lambda: tf.assign_add(x, 3.)
    false_fun = lambda: tf.constant([])
    pred = tf.constant(True)
    cond_op = control_flow_ops.cond(pred, true_fun, false_fun)

其中，评估

cond_op

将

x

设置为

4.0

。但是，这个更复杂的版本不起作用：

def rest(x): tf.gather(x, tf.range(1, tf.size(x)))

x = tf.Variable([0., 1.])
x_op = tf.assign(x, [0., 1., 2.], validate_shape=False)

with tf.control_dependencies([x_op]):
    true_fun  = lambda: tf.assign(x, rest(x), validate_shape=False)
    false_fun = lambda: tf.constant([])
    pred = tf.constant(True)
    cond_op = control_flow_ops.cond(pred, true_fun, false_fun)

---

特别是

x

被分配

[1.]

而不是

[1,2.]

。我要使用的逻辑是，首先将

x

赋值为

[0,1,2.]

，然后将其修剪为

[1,2.]

。顺便说一句，这似乎与

x

的大小变化有关，因为如果在初始

x\u op

赋值中

x

被赋值

[1,2.]

而不是

[0,1,2.]

，那么计算

cond\u op

会导致

x

被赋值

[2.]

，这是正确的行为。即，它首先更新为

[1,2.]

，然后修剪为

[2.]

注意带有tf.control\u依赖项的

仅适用于在块内创建的操作。当您在块内调用
rest（x）
时，您所指的
x
仍然是旧的
x
，它是
tf.Variable
函数的返回值，它只是保存变量初始值的
张量。您可以通过调用
rest（x_op）
来传递新值。下面是完整的工作片段：

import tensorflow as tf

def rest(x): return tf.gather(x, tf.range(1, tf.size(x)))

x = tf.Variable([0., 1.])
x_op = tf.assign(x, [0., 1., 2.], validate_shape=False)

with tf.control_dependencies([x_op]):
  true_fun  = lambda: tf.assign(x, rest(x_op), validate_shape=False)
  false_fun = lambda: tf.constant([])
  pred = tf.constant(True)
  cond_op = tf.cond(pred, true_fun, false_fun)

with tf.Session(""):
  x.initializer.run()
  print(cond_op.eval())

请注意，带有tf.control_依赖项的
仅适用于在块内创建的操作。当您在块内调用
rest（x）
时，您所指的
x
仍然是旧的
x
，它是
tf.Variable
函数的返回值，它只是保存变量初始值的
张量。您可以通过调用
rest（x_op）
来传递新值。下面是完整的工作片段：

import tensorflow as tf

def rest(x): return tf.gather(x, tf.range(1, tf.size(x)))

x = tf.Variable([0., 1.])
x_op = tf.assign(x, [0., 1., 2.], validate_shape=False)

with tf.control_dependencies([x_op]):
  true_fun  = lambda: tf.assign(x, rest(x_op), validate_shape=False)
  false_fun = lambda: tf.constant([])
  pred = tf.constant(True)
  cond_op = tf.cond(pred, true_fun, false_fun)

with tf.Session(""):
  x.initializer.run()
  print(cond_op.eval())

谢谢你的澄清。上述方法确实有效，解决了我的问题。一个问题：我尝试将
tf.get_variable
放在
control_dependencies
块中，以获取
x
的新副本（除了使用正确的变量范围和启用变量重用等），但这不起作用。为什么不呢？如果我在依赖项块中获得了
x
的新副本，它不应该检索新值吗？我发现这种行为有点令人困惑。根据文档，tf.assign（ref，value）在赋值完成后返回ref。x和x_op的返回值之间的差异是什么？你有其他信息的链接吗？谢谢你的澄清。上述方法确实有效，解决了我的问题。一个问题：我尝试将
tf.get_variable
放在
control_dependencies
块中，以获取
x
的新副本（除了使用正确的变量范围和启用变量重用等），但这不起作用。为什么不呢？如果我在依赖项块中获得了
x
的新副本，它不应该检索新值吗？我发现这种行为有点令人困惑。根据文档，tf.assign（ref，value）在赋值完成后返回ref。x和x_op的返回值之间的差异是什么？你有其他信息的链接吗？