在情况下
tf.where，您有一个具有三个输入的函数，即condition
C，true
T值和false值
F以及一个输出
Out。渐变接收一个值，并且必须返回三个值。当前，没有为该条件计算梯度（这几乎没有道理），因此您只需要为
T和进行梯度
F。假设输入和输出是向量，可以想象
C[0]是
True。然后
Out[0]来自
T[0]，其梯度应传播回去。另一方面，
F[0]将被丢弃，因此其梯度应设为零。如果
Out[1]是
False，则的梯度
F[1]应该传播，而不是
T[1]。简而言之，
T你应该传播给定的梯度这里
C是
True并使其零它在哪里
False，而相对来说
F。如果看一下（operation）的梯度的实现
tf.where``Select，它确实做到了：
@ops.RegisterGradient("Select")def _SelectGrad(op, grad): c = op.inputs[0] x = op.inputs[1] zeros = array_ops.zeros_like(x) return (None, array_ops.where(c, grad, zeros), array_ops.where( c, zeros, grad))请注意，输入值本身未在计算中使用，这将通过产生这些输入的操作的梯度来完成。对于
tf.cond，代码有点复杂，因为
Merge在不同的上下文中使用了相同的操作（），并且
tf.cond还使用了
Switch内部的操作。但是，想法是相同的。本质上，
Switch操作用于每个输入，因此被激活的输入（第一个（如果条件是条件
True，第二个否则）获得接收到的梯度，另一个输入得到“关闭”梯度（如
None），并且不会传播再往回走。
