TensorFlow 1.3（Python2.7）中TensorArray无法通过tf.cond()更新值问题

嘿，我明白你遇到的麻烦了！在TensorFlow 1.x版本的静态图模式下，TensorArray作为有状态的对象，在tf.cond()里更新确实有不少容易踩的坑，稍不注意就会导致更新不生效或者报错。下面我结合你的代码场景给出解决方案和详细解释：

问题核心原因 #

• tf.cond()要求两个分支（true_fn和false_fn）返回的对象结构完全一致，包括TensorArray的数据类型、动态大小等属性，否则会触发图结构不匹配的错误。
• 在静态图模式下，直接对TensorArray变量赋值（比如temp1 = temp1.write(...)）只是在计算图里创建了新节点，如果没把tf.cond()的返回值正确绑定到原变量上，更新操作根本不会被纳入执行流。
• 另外你的代码里cond是形状为[5]的布尔数组，但tf.cond()的条件参数必须是标量布尔张量——如果要处理批量条件判断，得用tf.while_loop或tf.map_fn，不能直接给tf.cond传数组。

修正后的代码示例 #

我针对两种常见场景给出解决方案，你可以根据实际需求选择：

场景1：基于标量条件的tf.cond更新TensorArray #

如果你的需求是根据单个布尔条件，选择更新其中一个TensorArray：

import tensorflow as tf

# 初始化动态大小的TensorArray
temp1 = tf.TensorArray(dtype=tf.float32, size=0, dynamic_size=True)
temp2 = tf.TensorArray(dtype=tf.float32, size=0, dynamic_size=True)
# 写入初始值
temp1 = temp1.write(temp1.size(), tf.constant(1.))
temp2 = temp2.write(temp2.size(), tf.constant(10.))

# 注意：tf.cond的条件必须是标量布尔张量
cond_scalar = tf.constant(True)  # 可替换为你的实际标量条件判断

# 定义两个分支函数，必须返回结构完全一致的结果（这里返回两个TensorArray）
def true_body(t1, t2):
    # 满足条件时更新temp1
    updated_t1 = t1.write(t1.size(), tf.constant(2.))
    return updated_t1, t2

def false_body(t1, t2):
    # 不满足条件时更新temp2
    updated_t2 = t2.write(t2.size(), tf.constant(20.))
    return t1, updated_t2

# 关键：用tf.cond的返回值覆盖原TensorArray，确保更新操作被纳入计算图
temp1, temp2 = tf.cond(cond_scalar, lambda: true_body(temp1, temp2), lambda: false_body(temp1, temp2))

# 测试执行，查看结果
with tf.Session() as sess:
    result1, result2 = sess.run([temp1.stack(), temp2.stack()])
    print("temp1结果:", result1)
    print("temp2结果:", result2)

场景2：处理批量布尔条件（遍历cond数组） #

如果你的需求是逐个遍历布尔数组里的元素，根据每个元素的真假更新对应TensorArray，用tf.while_loop来实现更合适：

import tensorflow as tf

temp1 = tf.TensorArray(dtype=tf.float32, size=0, dynamic_size=True)
temp2 = tf.TensorArray(dtype=tf.float32, size=0, dynamic_size=True)
temp1 = temp1.write(temp1.size(), tf.constant(1.))
temp2 = temp2.write(temp2.size(), tf.constant(10.))

# 批量条件数组
cond = tf.convert_to_tensor([True, True, False, True, False])
cond_size = tf.shape(cond)[0]

# 定义循环体：逐个处理每个条件元素
def loop_body(i, t1, t2):
    current_cond = cond[i]
    # 内部用tf.cond处理单个元素的条件判断
    def update_t1():
        return t1.write(t1.size(), tf.constant(float(i)+1)), t2
    def update_t2():
        return t1, t2.write(t2.size(), tf.constant(float(i)+10))
    updated_t1, updated_t2 = tf.cond(current_cond, update_t1, update_t2)
    return i+1, updated_t1, updated_t2

# 执行循环遍历所有条件
_, final_temp1, final_temp2 = tf.while_loop(
    cond=lambda i, *args: i < cond_size,
    body=loop_body,
    loop_vars=(tf.constant(0), temp1, temp2)
)

# 测试执行
with tf.Session() as sess:
    res1, res2 = sess.run([final_temp1.stack(), final_temp2.stack()])
    print("temp1最终结果:", res1)
    print("temp2最终结果:", res2)

关键注意事项 #

• 必须绑定tf.cond的返回值：在静态图模式下，所有操作都是计算图的节点，只有把tf.cond返回的更新后TensorArray重新赋值给原变量，才能确保更新逻辑被执行。
• 分支返回结构严格一致：true_fn和false_fn返回的元素数量、类型、TensorArray配置必须完全匹配，不能有任何差异。
• tf.cond只处理标量条件：如果要批量处理多个条件，别直接给tf.cond传数组，改用循环或映射函数逐个处理。

内容的提问来源于stack exchange，提问作者Rajesh