结合条件和控制依赖

Question

我正在尝试执行一段条件代码，该代码又依赖于另一个先执行的操作。这项工作的简单版本，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 设置为预期的 4.0。然而，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.]。我要遵循的逻辑是 x 首先分配给 [0., 1., 2.]，然后然后被修剪为 [1., 2.]。顺便说一下，这似乎与 x 的大小变化有关，因为如果在初始 x_op 分配中 x 被分配 [1., 2.] 而不是 [0., 1., 2.]，然后评估 cond_op 导致 x 被分配 [2.]，这是正确的行为。 IE。它首先更新为 [1., 2.]，然后修剪为 [2.]。

Answer 1

请注意，with tf.control_dependencies 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 return 值，它只是Tensor 保存变量的初始值。您可以通过调用 rest(x_op) 来传递新值。这里是完整的工作片段：

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())

结合条件和控制依赖

Combining conditionals and control dependencies

tensorflow