tf.compat.v1.assert_none_equal

Утверждение, что условие x != y выполняется поэлементно.

tf.compat.v1.assert_none_equal(
    x, y, data=None, summarize=None, message=None, name=None
)

tf.compat.v1.assert_none_equal совместим с выполнением в режиме eager и tf.function. При миграции на TF2 используйте tf.debugging.assert_none_equal вместо него. Помимо data, все аргументы поддерживаются с тем же именем аргумента.

Если вы хотите убедиться, что операторы assert выполняются до потенциально некорректного вычисления, используйте tf.control_dependencies, так как автоматические зависимости контроля tf.function недостаточны для операторов assert.

Структурное отображение на родной TF2

До:

tf.compat.v1.assert_none_equal(
  x=x, y=y, data=data, summarize=summarize,
  message=message, name=name)

После:

tf.debugging.assert_none_equal(
  x=x, y=y, message=message,
  summarize=summarize, name=name)

Пример использования TF1 и TF2

TF1:

g = tf.Graph()
with g.as_default():
  a = tf.compat.v1.placeholder(tf.float32, [2])
  b = tf.compat.v1.placeholder(tf.float32, [2])
  result = tf.compat.v1.assert_none_equal(a, b,
    message='"a != b" does not hold for the given inputs')
  with tf.compat.v1.control_dependencies([result]):
    sum_node = a + b
sess = tf.compat.v1.Session(graph=g)
val = sess.run(sum_node, feed_dict={a: [1, 2], b:[2, 1]})

TF2:

a = tf.Variable([1, 2], dtype=tf.float32)
b = tf.Variable([2, 1], dtype=tf.float32)
assert_op = tf.debugging.assert_none_equal(a, b, message=
  '"a != b" does not hold for the given inputs')
# When working with tf.control_dependencies
with tf.control_dependencies([assert_op]):
  val = a + b

Описание

Это условие выполняется, если для каждой пары (возможно, транслируемых) элементов x[i], y[i], у нас есть x[i] != y[i]. Если оба x и y пустые, это условие выполняется тривиально.

При выполнении в режиме графа вам следует добавить зависимость от этой операции, чтобы гарантировать ее выполнение. Пример добавления зависимости к операции:

with tf.control_dependencies([tf.compat.v1.assert_none_equal(x, y)]):
  output = tf.reduce_sum(x)