Question

我正在使用4个特定于类的自动编码器（3层前馈）的网络，并且在训练迭代中，有一个案例检查来决定哪个自动编码器必须更新：

def f(k): return tf.train.AdamOptimizer(learning_rate=lernrate).minimize(Cost_List[k]), n_List[k].assign_add(1.0), Cost_List[k]

def g(): ???

nothing = g()



min_index = tf.argmin(Cost_List, 0) 

Case_0 = (tf.equal(min_index,0), lambda: f(0))
Case_1 = (tf.equal(min_index,1), lambda: f(1))
Case_2 = (tf.equal(min_index,2), lambda: f(2))
Case_3 = (tf.equal(min_index,3), lambda: f(3))


Case_List = [Case_0, Case_1, Case_2, Case_3]

[optimizer, update, cost] = tf.case(Case_List, nothing)

在这种情况下，没有条件得到满足，不应该做任何事情。在这种情况下，四个案例中的一个将被实现，所以这里没有实际问题，但我想修改代码，然后重要的是，在默认情况下将跳过训练样本。问题是，f_default和所有其他返回类型的返回类型必须相同，因为sess.run（[optimizer，update，cost]）期望某种类型。我怎么能这样做，在默认情况下真的什么都没发生？我已经尝试过使用tf.no_op（），但这不起作用......

谢谢，

Meridius

Answer 1

要使签名匹配，您可以按如下方式定义g()：

def g():
  return tf.no_op(), tf.no_op(), tf.constant(0.0)

请注意，将g直接传递为f_default（而不是像当前代码那样传递g()）会稍微高效，但行为应该相同。 / p>

TensorFlow：tf.case（）＆amp; f_default应该什么都不做

1 个答案: