控制流

控制流

在程序语言中，控制流(control flow)决定了语句的执行顺序，常见的控制流包括顺序执行、分支和循环等。PaddlePaddle Fluid继承了这一概念，提供了多种控制流API, 以控制深度学习模型在训练或者预测过程中的执行逻辑。

IfElse

条件分支，允许对同一个batch的输入，根据给定的条件，分别选择 true_block 或 false_block 中的逻辑进行执行，执行完成之后再将两个分支的输出合并为同一个输出。通常，条件表达式可由 less_than, equal 等逻辑比较 API 产生。

请参考 IfElse

注意： 强烈建议您使用新的OP cond 而不是 IfElse。cond 的使用方式更简单，并且调用该OP所用的代码更少且功能与 IfElse 一样。

Switch

多分支选择结构，如同程序语言中常见的 switch-case 声明, 其根据输入表达式的取值不同，选择不同的分支执行。具体来说，Fluid 所定义的 Switch 控制流有如下特性：

case的条件是个bool类型的值，即在Program中是一个张量类型的Variable；
依次检查逐个case，选择第一个满足条件的case执行，完成执行后即退出所属的block；
如果所有case均不满足条件，会选择默认的case进行执行。

请参考 Switch

注意： 强烈建议您使用新的OP case 而不是 Switch。 case 的使用方式更简单，并且调用该OP所用的代码更少且功能与 Switch 一样。

While

While 循环，当条件判断为真时，循环执行 While 控制流所属 block 内的逻辑，条件判断为假时退出循环。与之相关的API有

increment ：累加API，通常用于对循环次数进行计数；
array_read ：从 LOD_TENSOR_ARRAY 中指定的位置读入Variable，进行计算；
array_write ：将 Variable 写回到 LOD_TENSOR_ARRAY 指定的位置，存储计算结果。

请参考 While

注意： 强烈建议您使用新的OP while_loop 而不是 While。 while_loop 的使用方式更简单，并且调用该OP所用的代码更少且功能与 While 一样。

DynamicRNN

即动态RNN，可处理一个batch不等长的序列数据，其接受 lod_level=1 的 Variable 作为输入，在 DynamicRNN 的 block 内，用户需自定义RNN的单步计算逻辑。在每一个时间步，用户可将需记忆的状态写入到 DynamicRNN 的 memory 中，并将需要的输出写出到其 output 中。

sequence_last_step 可获取 DynamicRNN 最后一个时间步的输出。

请参考 DynamicRNN

StaticRNN

即静态RNN，只能处理固定长度的序列数据，接受 lod_level=0 的 Variable 作为输入。与 DynamicRNN 类似，在RNN的每单个时间步，用户需自定义计算逻辑，并可将状态和输出写出。

请参考 StaticRNN