在tensorflow中使用函数封装操作的误区

在tensorflow的计算图中，我们可以利用函数def来封装一些tf操作，但是我们需要使用return语句去规避一些错误，看如下分析：

看如下程序：

import tensorflow as tf

a = tf.Variable(5.0)


def add():
    a_change = tf.assign(a, 10.0)


sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(add()))
print(sess.run(a))

运行之后，显示如下错误：

Traceback (most recent call last):
  File "E:/PythonProject/cnn_cifar10.py", line 12, in <module>
    print(sess.run(add()))
  File "E:\Python\lib\site-packages\tensorflow\python\client\session.py", line 889, in run
    run_metadata_ptr)
  File "E:\Python\lib\site-packages\tensorflow\python\client\session.py", line 1105, in _run
    self._graph, fetches, feed_dict_tensor, feed_handles=feed_handles)
  File "E:\Python\lib\site-packages\tensorflow\python\client\session.py", line 414, in __init__
    self._fetch_mapper = _FetchMapper.for_fetch(fetches)
  File "E:\Python\lib\site-packages\tensorflow\python\client\session.py", line 231, in for_fetch
    (fetch, type(fetch)))
TypeError: Fetch argument None has invalid type <class 'NoneType'>

此时表明add()没有fetch到参数，因此我们需要对函数里的操作添加return操作：

import tensorflow as tf

a = tf.Variable(5.0)


def add():
    a_change = tf.assign(a, 10.0)
    return a_change


sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(add()))
print(sess.run(a))

输出：

10.0
10.0

如果函数中封装了多个操作，就要分情况了

如下程序：

import tensorflow as tf

a = tf.Variable(5.0)


def add():
    a_change = tf.assign(a, 10.0)
    a_plus_1 = tf.assign_add(a, 1.0)
    return a_change


sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(add()))
print(sess.run(a))

输出：
10.0

10.0

此时def中有2个操作，但是只return了a_change，所以会获取到参数，不会出现之前的错误，但是由于没有return a_plus_1操作，所以只运行了a_change操作，所以需要同时return 这2个操作，return的顺序无所谓，修改如下：

import tensorflow as tf

def add():
    a_change = tf.assign(a, 10.0)
    a_plus_1 = tf.assign_add(a, 1.0)
    return a_plus_1, a_change


sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(add()))
print(sess.run(a))

输出：

(10.0, 11.0)

11.0

当然，也不一定def封装的操作全部return，如果上一个操作返回的值被现操作使用，则只return现操作即可：

a = tf.Variable(5.0)

import tensorflow as tf

a = tf.Variable(5.0)


def add():
    a_change = tf.assign(a, 10.0)
    y = a_change + 1
    return y


sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(add()))
print(sess.run(a))

输出：

11.0

10.0

关于用def函数进行封装的操作是否在tf计算图上的说明：

import tensorflow as tf

a = tf.Variable(5.0)


def add():
    a_change = tf.assign(a, 10.0)
    return a_change


sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(add()))
print(sess.run(a))




上述的tf操作被封装在add()函数中，没有被放在计算图中，若要放在计算图中，则需要调用函数：

import tensorflow as tf

a = tf.Variable(5.0)


def add():
    a_change = tf.assign(a, 10.0)
    return a_change


add()

sess = tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(add()))
print(sess.run(a))