当切片本身是张量流中的张量时如何进行切片分配

Question

我想在张量流中进行切片分配。我知道我可以使用：my_var = my_var[4:8].assign(tf.zeros(4))基于此链接。正如您在中看到的，my_var[4:8]我们在这里有特定的索引 4、8 用于切片然后分配。我的情况不同，我想根据张量进行切片，然后进行分配。out = tf.Variable(tf.zeros(shape=[8,4], dtype=tf.float32)) rows_tf = tf.constant ([[1, 2, 5], [1, 2, 5], [1, 2, 5], [1, 4, 6], [1, 4, 6], [2, 3, 6], [2, 3, 6], [2, 4, 7]])columns_tf = tf.constant([[1], [2], [3], [2], [3], [2], [3], [2]])changed_tensor = [[8.3356,    0.,        8.457685 ],                  [0.,        6.103182,  8.602337 ],                  [8.8974,    7.330564,  0.       ],                  [0.,        3.8914037, 5.826657 ],                  [8.8974,    0.,        8.283971 ],                  [6.103182,  3.0614321, 5.826657 ],                  [7.330564,  0.,        8.283971 ],                  [6.103182,  3.8914037, 0.       ]]此外，这是sparse_indices张量，它是需要更新的整个索引的连接rows_tf和制作（以防它可以提供帮助:)columns_tfsparse_indices = tf.constant([[1 1] [2 1] [5 1] [1 2] [2 2] [5 2] [1 3] [2 3] [5 3] [1 2] [4 2] [6 2] [1 3] [4 3] [6 3] [2 2] [3 2] [6 2] [2 3] [3 3] [6 3] [2 2] [4 2] [4 2]])我想做的是做这个简单的任务：out[rows_tf, columns_tf] = changed_tensor为此，我正在这样做：out[rows_tf:column_tf].assign(changed_tensor)但是，我收到了这个错误：tensorflow.python.framework.errors_impl.InvalidArgumentError: Expected begin, end, and strides to be 1D equal size tensors, but got shapes [1,8,3], [1,8,1], and [1] instead. [Op:StridedSlice] name: strided_slice/这是预期的输出：[[0.        0.        0.        0.       ] [0.        8.3356    0.        8.8974   ] [0.        0.        6.103182  7.330564 ] [0.        0.        3.0614321 0.       ] [0.        0.        3.8914037 0.       ] [0.        8.457685  8.602337  0.       ] [0.        0.        5.826657  8.283971 ] [0.        0.        0.        0.       ]]知道如何完成这个任务吗？先感谢您：）

Answer 1

tf.scatter_nd_update 此示例（从此处的 tf 文档扩展）应该有所帮助。

您想首先将您的 row_indices 和 column_indices 组合成一个二维索引列表，这indices是tf.scatter_nd_update. 然后你输入了一个期望值列表，即updates.

ref = tf.Variable(tf.zeros(shape=[8,4], dtype=tf.float32))

indices = tf.constant([[0, 2], [2, 2]])

updates = tf.constant([1.0, 2.0])

update = tf.scatter_nd_update(ref, indices, updates)

with tf.Session() as sess:

  sess.run(tf.initialize_all_variables())

  print sess.run(update)

Result:

[[ 0.  0.  1.  0.]

 [ 0.  0.  0.  0.]

 [ 0.  0.  2.  0.]

 [ 0.  0.  0.  0.]

 [ 0.  0.  0.  0.]

 [ 0.  0.  0.  0.]

 [ 0.  0.  0.  0.]

 [ 0.  0.  0.  0.]]

专门针对您的数据，

ref = tf.Variable(tf.zeros(shape=[8,4], dtype=tf.float32))

changed_tensor = [[8.3356,    0.,        8.457685 ],

                  [0.,        6.103182,  8.602337 ],

                  [8.8974,    7.330564,  0.       ],

                  [0.,        3.8914037, 5.826657 ],

                  [8.8974,    0.,        8.283971 ],

                  [6.103182,  3.0614321, 5.826657 ],

                  [7.330564,  0.,        8.283971 ],

                  [6.103182,  3.8914037, 0.       ]]

updates = tf.reshape(changed_tensor, shape=[-1])

sparse_indices = tf.constant(

[[1, 1],

 [2, 1],

 [5, 1],

 [1, 2],

 [2, 2],

 [5, 2],

 [1, 3],

 [2, 3],

 [5, 3],

 [1, 2],

 [4, 2],

 [6, 2],

 [1, 3],

 [4, 3],

 [6, 3],

 [2, 2],

 [3, 2],

 [6, 2],

 [2, 3],

 [3, 3],

 [6, 3],

 [2, 2],

 [4, 2],

 [4, 2]])

update = tf.scatter_nd_update(ref, sparse_indices, updates)

with tf.Session() as sess:

  sess.run(tf.initialize_all_variables())

  print sess.run(update)

Result:

[[ 0.          0.          0.          0.        ]

 [ 0.          8.3355999   0.          8.8973999 ]

 [ 0.          0.          6.10318184  7.33056402]

 [ 0.          0.          3.06143212  0.        ]

 [ 0.          0.          0.          0.        ]

 [ 0.          8.45768547  8.60233688  0.        ]

 [ 0.          0.          5.82665682  8.28397083]

 [ 0.          0.          0.          0.        ]]