tf.cond()用法

在TensorFlow中，tf.cond()类似于if...else...，用来控制数据流向，但是仅仅类似而已，其中差别还是挺大的。

format：tf.cond(pred, fn1, fn2, name=None)

Return :either fn1() or fn2() based on the boolean predicate `pred`.    # (注意这里，也就是说'fnq'和‘fn2’是两个函数)

arguments:`fn1` and `fn2` both return lists of output tensors. `fn1` and `fn2` must have the same non-zero number and type of outputs    # ('fnq'和‘fn2’返回的是非零的且类型相同的输出)

官方例子：

z = tf.multiply(a, b)
result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y))

上面例子执行这样的操作，如果x<y为真则result这个操作是tf.add(x,z),反之则是tf.square(y)。这一点上，确实很像逻辑控制中的if...else...，但是官方说明里也提到Since z is needed for at least one  branch of the cond，branch of the cond, the tf.mul operation is always executed, unconditionally.

因为z在cond函数中的至少一个分支被用到，所以

z = tf.multiply(a, b)

总是被无条件执行。

 Although this behavior is consistent with the dataflow model of TensorFlow,it has occasionally surprised some users who expected a lazier semantics.

翻译过来应该是：尽管这样的操作与TensorFlow的数据流模型一致，但是偶尔还是会令那些期望慵懒语法的用户吃惊。

因为TensorFlow是基于图的计算，数据以流的形式存在，所以只要构建好了图，有数据源，那么应该都会 数据流过，所以在执行tf.cond之前，两个数据流一个是tf.add()中的x，z，一个是tf.square(y)中的y，而tf.cond()就决定了是数据流x，z从tf.add()流过，还是数据流y从tf.square()流过。这里这个tf.cond也就像个控制水流的阀门，水流管道x，z，y在这个阀门交汇，而tf.cond决定了谁将流向后面的管道，但是不管哪一个水流流向下一个管道，在阀门作用之前，水流应该都是要到达阀门的。

示例：

import tensorflow as tf
a=tf.constant(2)    
b=tf.constant(3)    
x=tf.constant(4)    
y=tf.constant(5)    
z = tf.multiply(a, b)    
result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y))    
with tf.Session() as session:    
    print(result.eval())