Question

我正在尝试在训练循环中为自动编码器集合实现一个案例分支：根据某个条件，只应更新一个特定的自动编码器。我一直试图通过使用tf.case（）来实现这一点，但它没有像我预期的那样工作......

def f(k_win):

    update_BW = tf.train.AdamOptimizer(learning_rate=learningrate).minimize(Cost_List[k_win])

    return update_MSE_winner(k_win) + [update_BW, update_n_List(k_win), update_n_alpha_List(k_win)] 

winner_index = tf.argmin(Cost_Alpha_List, 0)



Case_List = []

for k in range(N_Class): 

    Case = (tf.equal(winner_index,k), lambda: f(k))   

    Case_List.append(Case)


Execution_List = tf.case(Case_List, lambda: f(0))

winner_index：要更新的自动编码器索引

f（k_win）：返回特定AE索引的所有更新callables

Case_List：包含布线和参数化函数对

Execution_List：在执行循环中为sess.run（）调用。

for循环中的参数k应该定义Case_List，特别是'lambda：f（k）'，但似乎在构建列表后，所有'lambda：f（k）'都设置为last k = N_Classes-1：效果是，只更新最后一个自动编码器，而不是那个带有'winner_index'的自动编码器。有谁有任何想法，这里发生了什么......？

感谢。

Answer 1

问题是你定义的lambda是使用全局变量k，在调用函数时，它具有循环中的最后一个值（N_Class - 1）

一个更简单的例子：

lst = []
for k in range(10):
    lst.append(lambda: k * k)
print([lst_i() for lst_i in lst])

给出：

[81, 81, 81, 81, 81, 81, 81, 81, 81, 81]

而不是：

[0, 1, 4, 9, 16, 25, 36, 49, 64, 81]

This answer更好地解释了这个问题，并指出了一些方法来克服这个问题。在您的情况下，您可以执行以下操作：

def f(k_win):

    update_BW = tf.train.AdamOptimizer(learning_rate=learningrate).minimize(Cost_List[k_win])

    return update_MSE_winner(k_win) + [update_BW, update_n_List(k_win), update_n_alpha_List(k_win)] 

winner_index = tf.argmin(Cost_Alpha_List, 0)



Case_List = []

for k in range(N_Class): 

    Case = (tf.equal(winner_index,k), (lambda kk: lambda: f(kk))(k))   

    Case_List.append(Case)


Execution_List = tf.case(Case_List, lambda: f(0))

Tensorflow：带有参数化可调用的tf.case，在for循环中定义的case列表

1 个答案: