小编gau*_*clb的帖子

阅读API DOC后,我也无法理解SessionRunHook的用法.例如,SessionRunHook的成员函数的序列是什么？是after_create_session -> before_run -> begin -> after_run -> end吗？而且我找不到详细示例的教程,有更详细的解释吗？

看一下代码片段:

import tensorflow as tf

with tf.name_scope('y'):
    a1 = tf.Variable(1,name='a')

with tf.name_scope('y'):
    a2 = tf.Variable(1,name='b')

print(a1.name)
print(a2.name)

输出是

y/a:0
y_1/b:0

为什么变量a2的name_scope是y_1？

看看代码:

import tensorflow as tf
import numpy as np

elems = tf.ones([1,2,3],dtype=tf.int64)
alternates = tf.map_fn(lambda x: (x, x, x), elems, dtype=(tf.int64, tf.int64, tf.int64))
with tf.Session() as sess:
    print(sess.run(alternates))

输出是:

(array([[[1, 1, 1],
        [1, 1, 1]]], dtype=int64), array([[[1, 1, 1],
        [1, 1, 1]]], dtype=int64), array([[[1, 1, 1],
        [1, 1, 1]]], dtype=int64))

我无法理解输出,谁能告诉我？

更新

elems是张量,所以应该沿轴0拆包,我们会得到[[1,1,1],[1,1,1]],然后map_fn通[[1,1,1],[1,1,1]]入lambda x:(x,x,x),这意味着x=[[1,1,1],[1,1,1]],我想的输出map_fn是

[[[1,1,1],[1,1,1]],
 [[1,1,1],[1,1,1]],
 [[1,1,1],[1,1,1]]]

输出的形状是[3,2,3]或列表shape(2,3)

但事实上,输出是一个张量列表,每个张量的形状是[1,2,3].

或者换句话说:

import tensorflow …

tf.cond和if-else有什么区别？

场景1

import tensorflow as tf

x = 'x'
y = tf.cond(tf.equal(x, 'x'), lambda: 1, lambda: 0)
with tf.Session() as sess:
    print(sess.run(y))
x = 'y'
with tf.Session() as sess:
    print(sess.run(y))

情景2

import tensorflow as tf

x = tf.Variable('x')
y = tf.cond(tf.equal(x, 'x'), lambda: 1, lambda: 0)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    init.run()
    print(sess.run(y))

tf.assign(x, 'y')
with tf.Session() as sess:
    init.run()
    print(sess.run(y))

输出都是1.

这是否意味着只有tf.placeholder可以工作,而不是所有张量,例如tf.variable？我什么时候应该选择if-else条件以及何时使用tf.cond？他们之间有什么不同？

的merge和switch可能不开放使用一般用户。并且我搜索了源代码：

• 开关

• 合并

在中有一个描述merge：

返回的可用元素的值inputs。

可用意味着什么？归还switch吗？这是一个演示：

from tensorflow.python.ops import control_flow_ops

x_0, x_1 = control_flow_ops.switch(tf.constant(2), False)
x_2, x_3 = control_flow_ops.switch(tf.constant(7), True)
y = control_flow_ops.merge([x_0, x_1, x_2, x_3])
with tf.Session() as sess:
    print(sess.run(y))

请参阅代码段:

import tensorflow as tf

x = tf.Variable(1)
op = tf.assign(x, x + 1)

with tf.Session() as sess:
  tf.global_variables_initializer().run()
  print(sess.run([x, op]))

有两种可能的结果:

• x = 1且op = 2
• x = 2且op = 2

它们取决于评估的顺序,对于第一种情况,x在之前进行评估op,对于第二种情况,x在之后进行评估op.

我已多次运行代码,但结果总是如此x=2 and op=2.所以我想这tensorflow可以保证x在之后进行评估op.这样对吗？如何tensorflow保证依赖？

更新

对于上面的情况,结果是确定的.但在以下情况中,结果并不确定.

import tensorflow as tf

x = tf.Variable(1)
op = tf.assign(x, x + 1)
x = x + 0                   # add this line

with tf.Session() …

看演示：

elems = np.array([1, 2, 3, 4, 5, 6])
squares = map_fn(lambda x: x * x, elems)
# squares == [1, 4, 9, 16, 25, 36]

elems = (np.array([1, 2, 3]), np.array([-1, 1, -1]))
alternate = map_fn(lambda x: x[0] * x[1], elems, dtype=tf.int64)
# alternate == [-1, 2, -3]

elems = np.array([1, 2, 3])
alternates = map_fn(lambda x: (x, -x), elems, dtype=(tf.int64, tf.int64))
# alternates[0] == [1, 2, 3]
# alternates[1] == [-1, -2, -3]

第二个和第三个我看不懂。

对于第二次：我认为结果是[2, -1]，因为第一次 x=np.array([1, 2, …

我们知道，我们可以tensor通过 的填充模式来计算输出的形状conv2d，算法很清晰，但是我很困惑conv2d_transpose，它是否填充输入张量然后调用conv2d？它在哪里转置过滤器或输入？如何根据填充模式SAME或VALIDfor计算输出张量的形状conv2d_transpose？

看代码片段：

import torch
x = torch.tensor([-1.], requires_grad=True)
y = torch.where(x > 0., x, torch.tensor([2.], requires_grad=True))
y.backward()
print(x.grad)

输出是tensor([0.])，但是

import torch
x = torch.tensor([-1.], requires_grad=True)
if x > 0.:
    y = x
else:
    y = torch.tensor([2.], requires_grad=True)
y.backward()
print(x.grad)

输出是None.

我很困惑为什么输出torch.where是tensor([0.])？

更新

import torch
a = torch.tensor([[1,2.], [3., 4]])
b = torch.tensor([-1., -1], requires_grad=True)
a[:,0] = b

(a[0, 0] * a[0, 1]).backward()
print(b.grad)

输出是tensor([2., 0.]). (a[0, 0] * a[0, 1])与 …

第一个演示:

class B:
    def __init__(self):
        self.name = '234'
    # def __getattribute__(self, name):
    #     print('getattr')
    def __getattr__(self, name):    
        print('get')
    def __setattr__(self, name, value):
        print('set')
    def __delattr__(self, name):
        print('del')


b = B()
print(b.__dict__)
b.name

b.__dict__是{},但第二个演示:

class B:
    def __init__(self):
        self.name = '234'
    def __getattribute__(self, name):
        print('getattr')
    def __getattr__(self, name):
        print('get')
    def __setattr__(self, name, value):
        print('set')
    def __delattr__(self, name):
        print('del')


b = B()
print(b.__dict__)
b.name

b.__dict__是的None,为什么？并b.__dict__调用__getattribute__,但不调用__getattr__,是否意味着__getattribute__将阻止调用__getattr__？