`tf.cond`の動作によって混乱します

Question

グラフに条件付き制御フローが必要です。 predがTrueの場合、グラフは変数を更新するopを呼び出す必要があります。それ以外の場合は変数を変更しません。簡略化されたバージョンである：ただし、Iはupdate_x_2がtf.condによって選択されていない場合にアサインOPも呼ばれている意味と同じ結果y=[2]にその両方pred=Trueとpred=Falseリードを見つける

pred = tf.constant(True) 
x = tf.Variable([1]) 
assign_x_2 = tf.assign(x, [2]) 
def update_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()) 

。これを説明する方法は？そしてこの問題を解決するには？

Answer 1

TL; DR：あなたが分岐の1つに（譲渡など）の副作用を実行するtf.cond()したい場合は、あなたがtf.cond()に渡す関数内で副作用を行い、オペアンプを作成する必要があります。

tf.cond()の動作は少し直感的ではありません。 TensorFlowグラフの実行はグラフ内を順方向に進むので、ブランチで参照するすべての操作は、条件が評価される前に実行する必要があります。これは、真のブランチと偽のブランチの両方がtf.assign()演算子に制御依存関係を持つことを意味します。は、 False`でも、常に2に設定されます。

解決策は、真のブランチを定義する関数の中にtf.assign()を作成することです。たとえば、次のようにコードを構造化することができます。

pred = tf.placeholder(tf.bool, shape=[]) 
x = tf.Variable([1]) 
def update_x_2(): 
    with tf.control_dependencies([tf.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(feed_dict={pred: False})) # ==> [1] 
    print(y.eval(feed_dict={pred: True})) # ==> [2]