tensorflow
Używanie warunku if wewnątrz wykresu TensorFlow z tf.cond
Szukaj…
Parametry
Parametr | Detale |
---|---|
pred | tensor TensorFlow typu bool |
fn1 | wywoływana funkcja, bez argumentów |
fn2 | wywoływana funkcja, bez argumentów |
Nazwa | (opcjonalnie) nazwa operacji |
Uwagi
-
pred
nie może byćTrue
aniFalse
, musi to być tensor - Funkcje
fn1
ifn2
powinny zwracać tę samą liczbę wyjść, z tymi samymi typami.
Podstawowy przykład
x = tf.constant(1.)
bool = tf.constant(True)
res = tf.cond(bool, lambda: tf.add(x, 1.), lambda: tf.add(x, 10.))
# sess.run(res) will give you 2.
Gdy f1 i f2 zwracają wiele tensorów
Dwie funkcje fn1
i fn2
mogą zwracać wiele tensorów, ale muszą zwracać dokładnie taką samą liczbę i typy wyjść.
x = tf.constant(1.)
bool = tf.constant(True)
def fn1():
return tf.add(x, 1.), x
def fn2():
return tf.add(x, 10.), x
res1, res2 = tf.cond(bool, fn1, fn2)
# tf.cond returns a list of two tensors
# sess.run([res1, res2]) will return [2., 1.]
zdefiniuj i użyj funkcji f1 i f2 z parametrami
Możesz przekazać parametry do funkcji w tf.cond () za pomocą lambda, a kod jest jak poniżej.
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
z = tf.placeholder(tf.float32)
def fn1(a, b):
return tf.mul(a, b)
def fn2(a, b):
return tf.add(a, b)
pred = tf.placeholder(tf.bool)
result = tf.cond(pred, lambda: fn1(x, y), lambda: fn2(y, z))
Następnie możesz nazwać to ryczeniem:
with tf.Session() as sess:
print sess.run(result, feed_dict={x: 1, y: 2, z: 3, pred: True})
# The result is 2.0
print sess.run(result, feed_dict={x: 1, y: 2, z: 3, pred: False})
# The result is 5.0
Modified text is an extract of the original Stack Overflow Documentation
Licencjonowany na podstawie CC BY-SA 3.0
Nie związany z Stack Overflow