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
cn_api_fluid_layers_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