在 TensorFlow 图中使用 if 条件

在张量流 CIFAR-10 中tutorial in cifar10_inputs.py第 174 行据说您应该随机化 random_contrast 和 random_brightness 操作的顺序，以获得更好的数据增强。

为此，我首先想到的是从 0 到 1 之间的均匀分布中抽取一个随机变量：p_order。并做：

if p_order>0.5:
  distorted_image=tf.image.random_contrast(image)
  distorted_image=tf.image.random_brightness(distorted_image)
else:
  distorted_image=tf.image.random_brightness(image)
  distorted_image=tf.image.random_contrast(distorted_image)

然而，有两种可能的选项来获取 p_order：

1）使用numpy，这让我不满意，因为我想要纯TF，而TF不鼓励用户混合numpy和tensorflow

2) 使用 TF，但是 p_order 只能在 tf.Session() 中计算 我真的不知道我是否应该这样做：

with tf.Session() as sess2:
  p_order_tensor=tf.random_uniform([1,],0.,1.)
  p_order=float(p_order_tensor.eval())

所有这些操作都在函数体内，并从具有不同会话/图形的另一个脚本运行。或者我可以将其他脚本中的图表作为参数传递给该函数，但我很困惑。 即使像这样的张量流函数或推理似乎以全局方式定义图形，而没有明确地将其作为输出返回，这一事实对我来说有点难以理解。

您可以使用tf.cond(pred, fn1, fn2, name=None) (see doc）。 该函数允许您使用布尔值pred在 TensorFlow 图中（无需调用self.eval() or sess.run(), hence 不需要会话).

以下是如何使用它的示例：

def fn1():
    distorted_image=tf.image.random_contrast(image)
    distorted_image=tf.image.random_brightness(distorted_image)
    return distorted_image
def fn2():
    distorted_image=tf.image.random_brightness(image)
    distorted_image=tf.image.random_contrast(distorted_image)
    return distorted_image

# Uniform variable in [0,1)
p_order = tf.random_uniform(shape=[], minval=0., maxval=1., dtype=tf.float32)
pred = tf.less(p_order, 0.5)

distorted_image = tf.cond(pred, fn1, fn2)