如何在tf.while_loop中使用tf.scatter_update？遇属性错误求助

咱们先拆解下你遇到的错误根源：AttributeError: 'Tensor' object has no attribute '_lazy_read'是因为第一次循环执行后，你把var替换成了tf.scatter_update返回的Tensor对象。而tf.scatter_update是专门用来修改Variable的操作，它的第一个参数必须是tf.Variable类型，第二次循环时传入的var已经变成了Tensor，自然就触发了错误。

至于tf.add能正常运行，是因为它只需要输入张量（Variable本身也属于张量的一种），返回的Tensor可以直接在循环里传递做判断，不需要依赖Variable的特殊属性。

那怎么解决呢？核心是要让var始终保持tf.Variable的身份，不要把它替换成更新后的Tensor。具体做法是单独定义更新操作，用tf.control_dependencies确保更新完成后再返回原变量。修改后的代码如下：

import tensorflow as tf

def func(var1, cons):
    var1, _ = tf.while_loop(cond, body, [var1, cons], return_same_structure=True)
    with tf.control_dependencies([var1]):
        return var1

def cond(var, cons):
    return tf.reduce_all(tf.less(var, cons))

def body(var, cons):
    # 定义更新操作，但不把var重新赋值为返回值
    update_op = tf.scatter_update(var, [0], var[0] + 1.0)
    # 确保更新操作执行完成后，再返回原Variable对象
    with tf.control_dependencies([update_op]):
        return (var, cons)

with tf.Session() as sess:
    x = tf.constant([10.0])
    m = tf.Variable([2.0])
    b = func(m, x)
    # 推荐用global_variables_initializer替代废弃的initialize_all_variables
    init = tf.global_variables_initializer()
    sess.run(init)
    print(sess.run(b))

额外补充两个小细节：

• tf.scatter_update本身会原地更新Variable，它返回的Tensor只是更新后的值的快照，完全不需要把Variable替换成这个快照。
• tf.control_dependencies的作用是给TensorFlow明确执行顺序：必须先跑完update_op，才能执行后面的返回操作，保证每次循环都确实完成了元素更新。

内容的提问来源于stack exchange，提问作者Mehrdad