tensorflow中，不可以直接拿tensor比较的结果作为 if 语句的条件，因此tensorflow中实现了自己的条件语句：
a = tf.get_variable("a",initializer=1)
b = tf.get_variable("b",initializer=2)
pred = tf.equal(a,b)
## 下面这种写法是正确的
def fun1():
return a
def fun2():
return b
c = tf.cond(pred, fun1, fun2)
## 下面这种写法是错误的
# if tf.equal(a,b):
# c = a
# else:
# c = b
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(c))同理，tensorflow中，while函数也是需要有条件判断语句的，所以tensorflow实现了自己的while循环：
a = tf.get_variable("a",initializer=1)
b = tf.get_variable("b",initializer=5)
def cond(a, b):
# 输入为loop_vars, 输出为布尔值
return tf.less(a, b)
def body(a, b):
# 输入为loop_vars, 输出为lop_vars
a = a + 2
b = b + 1
return a, b
a, b = tf.while_loop(cond, body, loop_vars=[a, b])
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run([a,b])) # 9,9下面我们借助条件语句和循环语句实现一个在numpy中非常容易实现的功能：
给定两个placeholder，input_a和input_b，两者的维度都是[None,5]，而实际输入是维度分别为[seq_len,5]和[seq_len+1,5]，得到一个output_c，形状为[seq_len*2+1, 5]，其奇数位来自于input_b，偶数位来自于input_a。即，对于output_c而言，[2*i,5]的位置来自于input_a[i,5]，[2*i+1,5]的位置来自于input_b[i,5]。
题目如下：
input_a = tf.placeholder(dtype=tf.int64, shape=[None, 5]) #实际输入时为[seq_len, 5]
input_b = tf.placeholder(dtype=tf.int64, shape=[None, 5]) #实际输入时为[seq_len+1, 5]
"""
请在此处键入你的代码
"""
with tf.Session() as sess:
feed_a = [[1,2,3,4,5],[2,3,4,5,6]] #shape=[3,5]
feed_b = [[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]] #shape=[4,5]
sess.run(tf.global_variables_initializer())
output_c_value = sess.run(output_c, feed_dict={input_a:feed_a, input_b:feed_b})
print(output_c_value)
#期望得到的值是[[0,0,0,0,0],[1,2,3,4,5],[0,0,0,0,0],[2,3,4,5,6],[0,0,0,0,0]]在实现的过程中，有几个关键点：
1. 因为placeholder形状的第一维是None，所以取出来的seq_len是一个Tensor
2. 因为seq_len是一个Tensor，所以无法用seq_len来实现python原生的条件和循环语句
3. Tensor不支持对特定位进行赋值，所以必须建一个新的Tensor，然后把原有的Tensor中的特定位赋给新的Tensor
最终实现的代码如下：
import tensorflow as tf
input_a = tf.placeholder(dtype=tf.int64, shape=[None, 5]) #实际输入时为[seq_len, 5]
input_b = tf.placeholder(dtype=tf.int64, shape=[None, 5]) #实际输入时为[seq_len+1, 5]
seq_len = tf.shape(input_a)[0]
i = tf.get_variable("i", initializer=0)
output_c = tf.expand_dims(input_b[0,:], axis=0)
def loop_cond(input_a, input_b, output_c, i, seq_len):
return tf.less(i, 2*seq_len)
def loop_body(input_a, input_b, output_c, i, seq_len):
def concat_a():
return tf.concat([output_c, tf.expand_dims(input_a[i//2,:], axis=0)], axis=0)
def concat_b():
return tf.concat([output_c, tf.expand_dims(input_b[i//2,:], axis=0)], axis=0)
pred = tf.equal(i%2, 0)
output_c = tf.cond(pred, concat_a, concat_b)
i += 1
return input_a, input_b, output_c, i, seq_len
_, _, output_c, _, _ = tf.while_loop(cond=loop_cond, body=loop_body,
loop_vars=[input_a, input_b, output_c, i, seq_len],
shape_invariants=[input_a.get_shape(),
input_b.get_shape(),
tf.TensorShape([None,5]),
i.get_shape(),
seq_len.get_shape()])
with tf.Session() as sess:
feed_a = np.array([[1,2,3,4,5],[2,3,4,5,6]]) #shape=[2,5]
feed_b = np.array([[0,0,0,0,0],[0,0,0,0,0],[0,0,0,0,0]]) #shape=[3,5]
sess.run(tf.global_variables_initializer())
output_c_value = sess.run(output_c, feed_dict={input_a:feed_a, input_b:feed_b})
print(output_c_value)
#得到的值是[[0,0,0,0,0],[1,2,3,4,5],[0,0,0,0,0],[2,3,4,5,6],[0,0,0,0,0]]有趣之处在于，tensorflow的while_loop是先循环再判断，也就是说，循环终止条件需要提前一步。