Inkonsistente Ergebnisse bei der inkrementellen Zuweisung von Tensorflow mit scatter_update

Question

Ich verwende Tensorflow scatter_update, um die Werte eines Arrays in einem einfachen Test festzulegen. Ich würde erwarten, dass der folgende Code alle Werte im Array auf 1.0 setzt.

pt = [0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0] 
numOne = tf.constant(1) 
xi = tf.Variable(0) 
out = tf.Variable(pt) 
tf.global_variables_initializer().run() 

xi_ = xi + numOne 
out_ = tf.scatter_update(out, [xi], [tf.cast(numOne, tf.float32)]) 

step = tf.group(
    xi.assign(xi_), 
    out.assign(out_) 
    ) 
for i in range(15): step.run() 
print(out.eval()) 

Stattdessen erhalte ich inkonsistente Ergebnisse wie:

[ 1. 1. 1. 0. 1. 1. 1. 1. 1. 1. 1. 0. 1. 1. 1. 1.] 

Gibt es irgendeine Art von Verriegelungsmechanismus, dass ich fehle?

Answer 1

Ops innerhalb tf.group werden in zufälliger Reihenfolge ausgeführt. Wenn Sie bestimmte Reihenfolge möchten, können Sie tf.control_dependencies oder aufgeteilt in zwei .run Anrufe verwenden, dh

step1 = xi.assign(xi_) 
step2 = out.assign(out_) 
for i in range(15): 
    print(out.eval()) 
    sess.run(step1) 
    sess.run(step2) 

Answer 2

Auch control_dependencies mit wäre es so etwas wie:

xi_ = xi + numOne 
with tf.control_dependencies[xi_]: 
    out_ = tf.scatter_update(out, [xi], [tf.cast(numOne, tf.float32)]) 
    with tf.control_dependencies[out_]: 
     step = tf.group(
      xi.assign(xi_), 
      out.assign(out_) 
     ) 
     for i in range(15): step.run() 
print(out.eval())