tf.py_func()函数

tensorflow由于构建的是静态图，所以导致在tf.Session().run()之前是没有实际值的，因此，在网络搭建的时候，是不能对tensor进行判值操作的，即不能插入if…else…之类的代码。第二，相较于numpy array，Tensorflow中对tensor的操作接口灵活性并没有那么高，使得Tensorflow的灵活性减弱。

在笔者使用Tensorflow的一年中积累的编程经验来看，扩展Tensorflow程序的灵活性，有一个重要的手段，就是使用tf.py_func接口。 接口解析

代码测试：

def my_func(array1,array2):
    return array1 + array2, array1 - array2

if __name__ =='__main__':
    array1 = np.array([[1, 2], [3, 4]])
    array2 = np.array([[1, 2], [3, 4]])

    a1 = tf.placeholder(tf.float32,[2,2],name = 'array1')
    a2 = tf.placeholder(tf.float32,[2,2],name = 'array2')
    y1,y2 = tf.py_func(my_func,[a1,a2],[tf.float32, tf.float32])

    with tf.Session() as sess:
        y1_,y2_ = sess.run([y1,y2],feed_dict={a1:array1,a2:array2})
        print(y1_)
        print('*'*10)
        print(y2_)

输出为：

[[2. 4.]
[6. 8.]]
**********
[[0. 0.]
[0. 0.]]

从上面的代码我们可以看出，tf.py_func()接收的是tensor，然后将其转化为numpy array送入我们自定义的my_func函数，最后再将my_func函数输出的numpy array转化为tensor返回。

如果不用tf.py_func()实现的话，我们还可以这样直接用array的方式操作：

def my_func(array1,array2):
    return array1 + array2, array1 - array2

with tf.Session() as sess:
    array1 = np.array([[1, 2], [3, 4]])
    array2 = np.array([[1, 2], [3, 4]])
    y1,y2 = my_func(array1,array2)
    print(y1)
    print('*' * 10)
    print(y2)

输出为：

[[2 4]
[6 8]]
**********
[[0 0]
[0 0]]