我就废话不多说了，大家还是直接看代码吧~
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
import tensorflow as tfn1 = tf.constant(2)n2 = tf.constant(3)n3 = tf.constant(4)def cond1(i, a, b): return i < n1def cond2(i, a, b): return i < n2def cond3(i, a, b): return i < n3def body(i, a, b): return i + 1, b, a + bi1, a1, b1 = tf.while_loop(cond1, body, (2, 1, 1))i2, a2, b2 = tf.while_loop(cond2, body, (2, 1, 1))i3, a3, b3 = tf.while_loop(cond3, body, (2, 1, 1))sess = tf.Session()print(sess.run(i1))print(sess.run(a1))print(sess.run(b1))print("-")print(sess.run(i2))print(sess.run(a2))print(sess.run(b2))print("-")print(sess.run(i3))print(sess.run(a3))print(sess.run(b3)) |
print结果：
|
1
2
3
4
5
6
7
8
9
10
11
|
211-312-423 |
可见body函数返回的三个变量又传给了body
补充知识：tensorflow在tf.while_loop循环(非一般循环)中使用操纵变量该怎么做
代码（操纵全局变量）
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
|
xiaojie=1i=tf.constant(0,dtype=tf.int32)batch_len=tf.constant(10,dtype=tf.int32)loop_cond = lambda a,b: tf.less(a,batch_len)#yy=tf.Print(batch_len,[batch_len],"batch_len:")yy=tf.constant(0)loop_vars=[i,yy]def _recurrence(i,yy): c=tf.constant(2,dtype=tf.int32) x=tf.multiply(i,c) global xiaojie xiaojie=xiaojie+1 print_info=tf.Print(x,[x],"x:") yy=yy+print_info i=tf.add(i,1)# print (xiaojie) return i,yyi,yy=tf.while_loop(loop_cond,_recurrence,loop_vars,parallel_iterations=1)#可以批处理sess = tf.Session()print (sess.run(i))print (xiaojie) |
输出的是10和2。
也就是xiaojie只被修改了一次。
这个时候，在_recurrence循环体中添加语句
print (xiaojie)
会输出2。而且只输出一次。具体为什么，最后总结的时候再解释。
代码（操纵类成员变量）class RNN_Model():
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
def __init__(self): self.xiaojie=1 def test_RNN(self): i=tf.constant(0,dtype=tf.int32) batch_len=tf.constant(10,dtype=tf.int32) loop_cond = lambda a,b: tf.less(a,batch_len) #yy=tf.Print(batch_len,[batch_len],"batch_len:") yy=tf.constant(0) loop_vars=[i,yy] def _recurrence(i,yy): c=tf.constant(2,dtype=tf.int32) x=tf.multiply(i,c) self.xiaojie=self.xiaojie+1 print_info=tf.Print(x,[x],"x:") yy=yy+print_info i=tf.add(i,1) print ("_recurrence:",self.xiaojie) return i,yy i,yy=tf.while_loop(loop_cond,_recurrence,loop_vars,parallel_iterations=1)#可以批处理 sess = tf.Session() sess.run(yy) print (self.xiaojie)if __name__ == "__main__": model = RNN_Model()#构建树，并且构建词典 model.test_RNN() |
输出是：
|
1
2
3
|
_recurrence: 2102 |
tf.while_loop操纵全局变量和类成员变量总结
为什么_recurrence中定义的print操作只执行一次呢，这是因为_recurrence中的print相当于一种对代码的定义，直接在定义的过程中就执行了。所以，可以看到输出是在sess.run之前的。但是，定义的其它操作就是数据流图中的操作，需要在sess.run中执行。
就必须在sess.run中执行。但是，全局变量xiaojie也好，还是类成员变量xiaojie也好。其都不是图中的内容。因此，tf.while_loop执行的是tensorflow计算图中的循环，对于不是在计算图中的，就不会参与循环。注意：而且必须是与loop_vars中指定的变量存在数据依赖关系的tensor才可以！此外，即使是依赖关系，也必须是_recurrence循环体中return出的变量，才会真正的变化。比如，见下面的self.L。总之，想操纵变量，就要传入loop_vars！
如果对一个变量没有修改，就可以直接在循环中以操纵类成员变量或者全局变量的方式只读。
self.L与loop_vars中变量有依赖关系，但是并没有真正被修改。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
|
#IIII通过计算将非叶子节点的词向量也放入nodes_tensor中。 iiii=tf.constant(0,dtype=tf.int32) loop____cond = lambda a,b,c,d,e: tf.less(a,self.sentence_length-1)#iiii的范围是0到sl-2。注意，不包括sl-1。这是因为只需要计算sentence_length-1次，就能构建出一颗树 loop____vars=[iiii,columnLinesOfL,node_tensors_cost_tensor,nodes_tensor,tfPrint] def ____recurrence(iiii,columnLinesOfL,node_tensors_cost_tensor,nodes_tensor,tfPrint):#循环的目的是实现Greedy算法 ### #Greedy的主要目标就是确立树结构。 ### c1 = self.L[:,0:columnLinesOfL-1]#这段代码是从RvNN的matlab的源码中复制过来的，但是Matlab的下标是从1开始，并且Matlab中1:2就是1和2，而python中1:2表示的是1，不包括2,所以，有很大的不同。 c2 = self.L[:,1:columnLinesOfL] c=tf.concat([c1,c2],axis=0) p=tf.tanh(tf.matmul(self.W1,c)+tf.tile(self.b1,[1,columnLinesOfL-1])) p_normalization=self.normalization(p) y=tf.tanh(tf.matmul(self.U,p_normalization)+tf.tile(self.bs,[1,columnLinesOfL-1]))#根据Matlab中的源码来的，即重构后，也有一个激活的过程。 #将Y矩阵拆分成上下部分之后，再分别进行标准化。 columnlines_y=columnLinesOfL-1 (y1,y2)=self.split_by_row(y,columnlines_y) y1_normalization=self.normalization(y1) y2_normalization=self.normalization(y2) #论文中提出一种计算重构误差时要考虑的权重信息。具体见论文，这里暂时不实现。 #这个权重是可以修改的。 alpha_cat=1 bcat=1 #计算重构误差矩阵## constant1=tf.constant([[1.0,2.0,3.0],[4.0,5.0,6.0],[7.0,8.0,9.0]])## constant2=tf.constant([[1.0,2.0,3.0],[1.0,4.0,2.0],[1.0,6.0,1.0]])## constructionErrorMatrix=self.constructionError(constant1,constant2,alpha_cat,bcat) y1c1=tf.subtract(y1_normalization,c1) y2c2=tf.subtract(y2_normalization,c2) constructionErrorMatrix=self.constructionError(y1c1,y2c2,alpha_cat,bcat)################################################################################ print_info=tf.Print(iiii,[iiii],"\niiii:")#专门为了调试用，输出相关信息。 tfPrint=print_info+tfPrint print_info=tf.Print(columnLinesOfL,[columnLinesOfL],"\nbefore modify. columnLinesOfL:")#专门为了调试用，输出相关信息。 tfPrint=print_info+tfPrint print_info=tf.Print(constructionErrorMatrix,[constructionErrorMatrix],"\nbefore modify. constructionErrorMatrix:",summarize=100)#专门为了调试用，输出相关信息。 tfPrint=tf.to_int32(print_info[0])+tfPrint#一种不断输出tf.Print的方式，注意tf.Print的返回值。################################################################################ J_minpos=tf.to_int32(tf.argmin(constructionErrorMatrix))#如果不转换的话，下面调用delete_one_column中，会调用tf.slice，之后tf.slice的参数中的类型必须是一样的。 J_min=constructionErrorMatrix[J_minpos] #一共要进行sl-1次循环。因为是从sl个叶子节点，两两结合sl-1次，才能形成一颗完整的树，而且是采用Greedy的方式。 #所以，需要为下次循环做准备。 #第一步，从该sentence的词向量矩阵中删除第J_minpos+1列，因为第J_minpos和第J_minpos+1列对应的单词要合并为一个新的节点,这里就是修改L################################################################################ print_info=tf.Print(self.L,[self.L[0]],"\nbefore modify. L row 0:",summarize=100)#专门为了调试用，输出相关信息。 tfPrint=tf.to_int32(print_info[0][0])+tfPrint print_info=tf.Print(self.L,[tf.shape(self.L)],"\nbefore modify. L shape:")#专门为了调试用，输出相关信息。 tfPrint=tf.to_int32(print_info[0][0])+tfPrint################################################################################ deleteColumnIndex=J_minpos+1 self.L=self.delete_one_column(self.L,deleteColumnIndex,self.numlinesOfL,columnLinesOfL) columnLinesOfL=tf.subtract(columnLinesOfL,1) #列数减去1.################################################################################ print_info=tf.Print(deleteColumnIndex,[deleteColumnIndex],"\nbefore modify. deleteColumnIndex:")#专门为了调试用，输出相关信息。 tfPrint=print_info+tfPrint print_info=tf.Print(self.L,[self.L[0]],"\nafter modify. L row 0:",summarize=100)#专门为了调试用，输出相关信息。 tfPrint=tf.to_int32(print_info[0][0])+tfPrint print_info=tf.Print(self.L,[tf.shape(self.L)],"\nafter modify. L shape:")#专门为了调试用，输出相关信息。 tfPrint=tf.to_int32(print_info[0][0])+tfPrint print_info=tf.Print(columnLinesOfL,[columnLinesOfL],"\nafter modify. columnLinesOfL:")#专门为了调试用，输出相关信息。 tfPrint=print_info+tfPrint################################################################################ #第二步，将新的词向量赋值给第J_minpos列 columnTensor=p_normalization[:,J_minpos] new_column_tensor=tf.expand_dims(columnTensor,1) self.L=self.modify_one_column(self.L,new_column_tensor,J_minpos,self.numlinesOfL,columnLinesOfL) #第三步，同时将新的非叶子节点的词向量存入nodes_tensor modified_index_tensor=tf.to_int32(tf.add(iiii,self.sentence_length)) nodes_tensor=self.modify_one_column(nodes_tensor,new_column_tensor,modified_index_tensor,self.numlines_tensor,self.numcolunms_tensor) #第四步：记录合并节点的最小损失，存入node_tensors_cost_tensor J_min_tensor=tf.expand_dims(tf.expand_dims(J_min,0),1) node_tensors_cost_tensor=self.modify_one_column(node_tensors_cost_tensor,J_min_tensor,iiii,self.numlines_tensor2,self.numcolunms_tensor2) ####进入下一次循环 iiii=tf.add(iiii,1) print_info=tf.Print(J_minpos,[J_minpos,J_minpos+1],"node:")#专门为了调试用，输出相关信息。 tfPrint=tfPrint+print_info# columnLinesOfL=tf.subtract(columnLinesOfL,1) #在上面的循环体中已经执行了，没有必要再执行。 return iiii,columnLinesOfL,node_tensors_cost_tensor,nodes_tensor,tfPrint iiii,columnLinesOfL,node_tensors_cost_tensor,nodes_tensor,tfPrint=tf.while_loop(loop____cond,____recurrence,loop____vars,parallel_iterations=1) pass |
上述代码是Greedy算法，递归构建神经网络树结构。
但是程序出错了，后来不断的调试，才发现self.L虽然跟循环loop____vars中的变量有依赖关系，也就是在tf.while_loop进行循环的时候，也可以输出它的值。
但是，它每一次都无法真正意义上对self.L进行修改。会发现，每一次循环结束之后，进入下一次循环时，self.L仍然没有变化。
执行结果如下：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
|
before modify. columnLinesOfL:[31]iiii:[0]after modify. columnLinesOfL:[30]before modify. L shape:[300 31]before modify. L row 0:[0.126693 -0.013654 -0.166731 -0.13703 -0.261395 0.11459 0.016001 0.016001 0.144603 0.05588 0.171787 0.016001 1.064545 0.144603 0.130615 -0.13703 -0.261395 1.064545 -0.261395 0.144603 0.036626 1.064545 0.188871 0.201198 0.05588 0.203795 0.201198 0.03536 0.089345 0.083778 0.103635]node:[0][1]before modify. constructionErrorMatrix:[3.0431733686706206 11.391056715427794 19.652819956115856 13.713453313903868 11.625973829805879 12.827533320819564 9.7513513723204746 13.009151292890811 13.896089243289065 10.649829109971648 9.45239374745086 15.704486086921641 18.274065790781862 12.447866299915024 15.302996103637689 13.713453313903868 14.295549844738751 13.779406175789358 11.625212314259059 16.340507223201449 19.095964364689717 15.10149194936319 11.989443162329437 13.436654650354058 11.120373311110505 12.39345317975002 13.568052800712424 10.998430341124633 8.3223909323599869 6.8896857405641851]after modify. L shape:[300 30]after modify. L row 0:[0.126693 -0.166731 -0.13703 -0.261395 0.11459 0.016001 0.016001 0.144603 0.05588 0.171787 0.016001 1.064545 0.144603 0.130615 -0.13703 -0.261395 1.064545 -0.261395 0.144603 0.036626 1.064545 0.188871 0.201198 0.05588 0.203795 0.201198 0.03536 0.089345 0.083778 0.103635]before modify. deleteColumnIndex:[1]before modify. columnLinesOfL:[30]iiii:[1]before modify. L shape:[300 31]after modify. columnLinesOfL:[29]before modify. L row 0:[0.126693 -0.013654 -0.166731 -0.13703 -0.261395 0.11459 0.016001 0.016001 0.144603 0.05588 0.171787 0.016001 1.064545 0.144603 0.130615 -0.13703 -0.261395 1.064545 -0.261395 0.144603 0.036626 1.064545 0.188871 0.201198 0.05588 0.203795 0.201198 0.03536 0.089345 0.083778 0.103635]before modify. deleteColumnIndex:[1]node:[0][1]before modify. constructionErrorMatrix:[3.0431733686706206 11.391056715427794 19.652819956115856 13.713453313903868 11.625973829805879 12.827533320819564 9.7513513723204746 13.009151292890811 13.896089243289065 10.649829109971648 9.45239374745086 15.704486086921641 18.274065790781862 12.447866299915024 15.302996103637689 13.713453313903868 14.295549844738751 13.779406175789358 11.625212314259059 16.340507223201449 19.095964364689717 15.10149194936319 11.989443162329437 13.436654650354058 11.120373311110505 12.39345317975002 13.568052800712424 10.998430341124633 8.3223909323599869]after modify. L shape:[300 29]after modify. L row 0:[0.126693 -0.166731 -0.13703 -0.261395 0.11459 0.016001 0.016001 0.144603 0.05588 0.171787 0.016001 1.064545 0.144603 0.130615 -0.13703 -0.261395 1.064545 -0.261395 0.144603 0.036626 1.064545 0.188871 0.201198 0.05588 0.203795 0.201198 0.03536 0.089345 0.083778]before modify. columnLinesOfL:[29]iiii:[2] |
后面那个after modify时L shape为[300 29]的原因是：执行
self.L=self.modify_one_column(self.L,new_column_tensor,J_minpos,self.numlinesOfL,columnLinesOfL)
时，columnLinesOfL是循环loop____vars中的变量，因此会随着每次循环发生变化，我写的modify_one_column见我的博文“修改tensor张量矩阵的某一列”。它决定了
修改后tensor的维度。
但是，无论如何，每一次循环，都是
before modify. L shape:[300 31]
说明self.L在循环体中虽然被修改了。但是下次循环又会被重置为初始值。
以上这篇基于tensorflow for循环 while循环案例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/guotong1988/article/details/78212418
