【译】Effective TensorFlow Chapter8——控制流操作：条件和循环

本文翻译自： 《Control flow operations: conditionals and loops》 ， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。

当我们在构建一个复杂模型如RNN（循环神经网络）的时候，你可能需要通过条件和循环来控制操作流程。在这一节，我们介绍一些在TensorFlow中常用的控制流。

假设我们现在需要通过一个条件判断来决定我们是否 相加 还是 相乘 两个变量。这个可以通过调用 tf.cond() 简单实现，它表现出像 python 中 if...else... 相似的功能。

a = tf.constant(1)
b = tf.constant(2)

p = tf.constant(True)

x = tf.cond(p, lambda: a + b, lambda: a * b)

print(tf.Session().run(x))
复制代码

因为这个条件判断为True，所以这个输出应该是加法输出，也就是输出3。

在使用TensorFlow的过程中，大部分时间你都会使用大型的张量，并且在一个批次（a batch）中进行操作。一个与之相关的条件操作符是 tf.where() ，它需要提供一个条件判断，就和 tf.cond() 一样，但是 tf.where() 将会根据这个条件判断，在一个批次中选择输出，如：

a = tf.constant([1, 1])
b = tf.constant([2, 2])

p = tf.constant([True, False])

x = tf.where(p, a + b, a * b)

print(tf.Session().run(x))
复制代码

返回的结果是 [3, 2] 。

另一个广泛使用的控制流操作是 tf.while_loop() 。它允许在TensorFlow中构建动态的循环，这个可以实现对一个序列的变量进行操作。让我们看看我们如何通过 tf.while_loops 函数生成一个斐波那契数列吧：

n = tf.constant(5)

def cond(i, a, b):
    return i < n

def body(i, a, b):
    return i + 1, b, a + b

i, a, b = tf.while_loop(cond, body, (2, 1, 1))

print(tf.Session().run(b))
复制代码

这段代码将会返回5。 tf.while_loop() 需要一个条件函数和一个循环体函数，除此之外还需初始化循环变量。这些循环变量在每一次循环体函数调用完之后都会被更新一次，直到这个条件返回False为止。

现在想象我们想要保存这个斐波那契序列，我们可能更新我们的循环体函数以纪录当前值的历史记录：

n = tf.constant(5)

def cond(i, a, b, c):
    return i < n

def body(i, a, b, c):
    return i + 1, b, a + b, tf.concat([c, [a + b]], 0)

i, a, b, c = tf.while_loop(cond, body, (2, 1, 1, tf.constant([1, 1])))

print(tf.Session().run(c))
复制代码

当你尝试运行这个程序的时候，TensorFlow将会“抱怨”说 第四个循环变量的形状正在改变 。所以你必须指明这件事后有意为之的：

i, a, b, c = tf.while_loop(
    cond, body, (2, 1, 1, tf.constant([1, 1])),
    shape_invariants=(tf.TensorShape([]),
                      tf.TensorShape([]),
                      tf.TensorShape([]),
                      tf.TensorShape([None])))
复制代码

这使得代码变得丑陋不堪，而且效率极低。请注意，我们正在构建许多我们不使用的中间张量。TensorFlow对这种增长式的数组，其实有一个更好的解决方案： tf.TensorArray 。让我们用张量数组做同样的事情：

n = tf.constant(5)

c = tf.TensorArray(tf.int32, n)
c = c.write(0, 1)
c = c.write(1, 1)

def cond(i, a, b, c):
    return i < n

def body(i, a, b, c):
    c = c.write(i, a + b)
    return i + 1, b, a + b, c

i, a, b, c = tf.while_loop(cond, body, (2, 1, 1, c))

c = c.stack()

print(tf.Session().run(c))
复制代码

TensorFlow 中的 while_loop 和张量数组是构建复杂的循环神经网络（RNN）的基本工具。作为练习，你可以尝试使用 tf.while_loops 实现beam search 。你可以再尝试使用张量数组提高效率吗？