我在TensorFlow 2.x中实现了一个自定义层。我的需求是，在返回输出之前，程序需要检查一个条件。

class SimpleRNN_cell(tf.keras.layers.Layer):    def __init__(self, M1, M2, fi=tf.nn.tanh, disp_name=True):        super(SimpleRNN_cell, self).__init__()        pass            def call(self, X, hidden_state, return_state=True):        y = tf.constant(5)        if return_state == True:            return y, self.h        else:            return y

我的问题是：我应该继续使用当前的代码（假设tape.gradient(Loss, self.trainable_weights)会正常工作）还是应该使用tf.cond()？另外，如果可能的话，请解释在哪里使用tf.cond()以及在哪里不使用。我在这方面没有找到太多内容。

回答：

tf.cond仅在基于可微分计算图中的数据进行条件评估时才相关。（https://www.tensorflow.org/api_docs/python/tf/cond）这在TF 1.0中尤其必要，因为图模式是默认的。对于急切模式，GradientTape系统允许使用Python结构如if ...:来进行条件数据流。（https://www.tensorflow.org/guide/autodiff#control_flow）

然而，对于仅根据配置参数提供不同行为的场景，这些参数不依赖于计算图中的数据，并且在模型运行时是固定的，使用简单的Python if语句是正确的。