Matrix 如何在一个大矩阵的不同范围内得到分批约化和？

通过提供一个大矩阵emb，以及起始位置start_pos和结束位置end_pos。如何获得不同emb范围的REDUCT_sim（例如，结果应为形状（2，16），第一行是emb第1行到第11行的和，第二行是emb第2行到第31行的和）

注：我尝试使用GPU（tf.py_func可以工作，但它在CPU上）

更新：我有一个解决方案，但它不是基于矩阵。我使用tf.while\u loop在start\u pos/end\u pos中循环每个pos来计算

编辑：

事实上，以矢量化的方式做得更好并不难。它需要更多内存，但速度应该快得多：

将tensorflow导入为tf
tf.enable_eager_execution（）
emb=tf.ones（[100,16]）
起始位置=tf.常数（[1,2]）
end_pos=tf.常数（[11,31]）
#选择每个切片的索引
r=tf.range（tf.shape（emb）[0]）[tf.newaxis]
m=（r>=start_pos[：，tf.newaxis]）&（r tf.gather将只收集单行。相反，我想要从start_pos到end_pos的范围。是的，您是正确的。它是从第1行到第11行。@Hypnoz使用更好的矢量化解决方案再次更新。谢谢，我提出了相同的解决方案（使用tf.while_循环）顺便说一句，如果我最后添加一个损失函数，你认为梯度会流向emb吗？apply_梯度对emb总是不返回任何值。
import tensorflow as tf

tf.enable_eager_execution()

emb = tf.ones([100,16])
start_pos = tf.constant([1,2])
end_pos = tf.constant([11,31])