python - 如何使用 global_step 计算调用 tf.cond 的谓词？

Question

我想根据全局步骤的值执行不同的计算。这是我正在尝试做的一个最小示例:

import tensorflow as tf

global_step = tf.train.get_or_create_global_step()
incr_global_step = global_step.assign(global_step + 1)

w = tf.cond(tf.equal(tf.mod(global_step, 2), 0),
            lambda : tf.get_variable('w1', initializer=tf.zeros([], dtype=tf.int32)),
            lambda : tf.get_variable('w2', initializer=tf.ones([], dtype=tf.int32)))

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for _ in range(4):
    print(sess.run([w, incr_global_step]))

我收到以下错误:

FailedPreconditionError (see above for traceback): Attempting to use uninitialized value global_step
 [[Node: global_step/read = Identity[T=DT_INT64, _class=["loc:@global_step"], _device="/job:localhost/replica:0/task:0/cpu:0"](global_step)]]

这是预期的行为吗？如果是这样，我做错了什么？

我使用的是tensorflow 1.2

Answer 1

所以，是的，这确实很奇怪。我能够通过以下修改运行您的代码:

import tensorflow as tf

global_step = tf.train.get_or_create_global_step()
incr_global_step = global_step.assign(global_step + 1)

w = tf.cond(tf.equal(tf.mod(global_step.initialized_value(), 2), 0),
            lambda : tf.get_variable('w1', initializer=tf.zeros([], dtype=tf.int32)),
            lambda : tf.get_variable('w2', initializer=tf.ones([], dtype=tf.int32)).initialized_value())

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for _ in range(4):
    print(sess.run([w, incr_global_step]))

请注意，我必须添加 initialized_value到 global_step 和 tf.cond 中的变量 'w2'，但不知何故不到 'w1 ' (你也可以把它放进去，它会起作用，但如果你不这样做，显然它不会归档)。正如文档中提到的，通常不需要此方法，它只是提供变量的“ View ”，保证在初始化后使用该变量。为什么 tf.cond 要求您使用它，以及为什么以如此不一致的方式，我不知道。

除此之外，请注意，运行代码的方式实际上是不确定的。一般来说，你会得到这个:

[1, 1]
[0, 2]
[1, 3]
[0, 4]

但并非总是如此。这是我刚刚得到的输出:

[0, 1]
[0, 2]
[1, 3]
[0, 4]

这是因为增量和条件的运行顺序不确定。最好明确相关依赖关系，因此如果您希望 w 在增量之后运行，您可以这样做:

import tensorflow as tf

global_step = tf.train.get_or_create_global_step()
incr_global_step = global_step.assign(global_step + 1)

with tf.control_dependencies([incr_global_step]):
    w = tf.cond(tf.equal(tf.mod(global_step.initialized_value(), 2), 0),
                lambda : tf.get_variable('w1', initializer=tf.zeros([], dtype=tf.int32)).initialized_value(),
                lambda : tf.get_variable('w2', initializer=tf.ones([], dtype=tf.int32)).initialized_value())

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for _ in range(4):
    print(sess.run([w, incr_global_step]))

这令人惊讶地需要我为 'w1' 添加 initialized_value 。这确实很不矛盾。另外，这种情况下的输出是:

[0, 2]
[1, 3]
[0, 4]
[1, 5]

现在，增量的结果从 2 开始，这让我很恼火。看起来增量运行的次数比预期多了一次。所以我觉得 tf.cond 以某种方式强制执行一次额外的第一次运行，这将是其奇怪行为的原因。

如果您想要相反的情况，请让 w 在增量之前运行，您可以这样做:

import tensorflow as tf

w = tf.cond(tf.equal(tf.mod(global_step.initialized_value(), 2), 0),
            lambda : tf.get_variable('w1', initializer=tf.zeros([], dtype=tf.int32)),
            lambda : tf.get_variable('w2', initializer=tf.ones([], dtype=tf.int32)).initialized_value())

with tf.control_dependencies([w]):
    incr_global_step = global_step.assign(global_step + 1)

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  for _ in range(4):
    print(sess.run([w, incr_global_step]))

是的，我不再需要 'w1' 的 initialized_value 了。这会产生:

[0, 1]
[1, 2]
[0, 3]
[1, 4]

我认为这里的增量是有意义的。