Tensorflow 被“tf.cond”的行为弄糊涂了`

我需要在我的图中有一个条件控制流。如果

pred

为

True

，则图形应调用更新变量然后返回的op，否则返回变量不变。简化版本为：

pred=tf.常数（真）
x=tf.变量（[1]）
assign_x_2=tf.assign（x，[2]）
def更新_x_2（）：
使用tf.control_依赖项（[assign_x_2]）：
返回tf.identity（x）
y=tf.cond（pred，update_x_2，lambda:tf.identity（x））
使用tf.Session（）作为会话：
session.run（tf.initialize\u all\u variables（））
打印（y.eval（））

---

但是，我发现

pred=True

和

pred=False

都会导致相同的结果

y=[2]

，这意味着当

tf.cond

未选择

update\ux\u2

时，也会调用赋值运算。如何解释？如何解决这个问题；DR:如果您想在其中一个分支中执行副作用（如赋值），则必须在传递给

tf.cond（）的函数中创建执行副作用的op

tf.cond（）
的行为有点不直观。由于TensorFlow图中的执行在图中向前流动，因此在计算条件之前必须执行或分支中引用的所有操作。这意味着true和false分支都接收对
tf.assign（）
op的控制依赖，因此
y
始终设置为
2
，即使
pred是
false`

解决方案是在定义真正分支的函数内创建
tf.assign（）
op。例如，您可以按如下方式构造代码：

pred=tf.placeholder（tf.bool，shape=[]）
x=tf.变量（[1]）
def更新_x_2（）：
使用tf.control_依赖项（[tf.assign（x[2]））：
返回tf.identity（x）
y=tf.cond（pred，update_x_2，lambda:tf.identity（x））
使用tf.Session（）作为会话：
session.run（tf.initialize\u all\u variables（））
打印（y.eval（feed_dict={pred:False}））#==>[1]
打印（y.eval（feed_dict={pred:True}））#==>[2]

这将得到
[1]
的结果

这个答案与上面的答案完全相同。但我想和大家分享的是，你可以把你想用的每一个操作都放在它的分支功能中。因为，给你的示例代码，tensor
x
is可以被
update\ux\u2
函数直接使用。
是的，这也让我感到困惑。我的理解是，在执行
tf.cond
之前，运行时会确保所有依赖项都已执行。
True
和
False
分支中的op的依赖关系也是
cond
的依赖关系，因此即使分支中的op可能永远不会执行，但它的所有依赖关系都会执行，这听起来对吗？是的-图形修剪会考虑所有潜在的依赖关系（任一分支的）来执行，并且仅当它们在一个分支中定义时才禁止执行，因为
CondContext
和该依赖关系将是一个死张量（阻止op执行），如果它不在分支中。这样做的原因是什么？为什么不修剪非活动分支后面的子图？@LenarHoyt:修剪发生在计算
pred
的值之前。这使得TensorFlow能够基于一个简单的键（本质上是
Session.run（）
的参数）缓存一个修剪过的图，并使条件执行的实现变得简单而轻量级。同样的机制用于实现
tf.while_loop（）
，在这一级别执行控制流的优势更加明显。
pred = tf.constant(False)
x = tf.Variable([1])

def update_x_2():
    assign_x_2 = tf.assign(x, [2])
    with tf.control_dependencies([assign_x_2]):
        return tf.identity(x)
y = tf.cond(pred, update_x_2, lambda: tf.identity(x))
with tf.Session() as session:
  session.run(tf.initialize_all_variables())
  print(y.eval())