Python 2.7 在tf.可变张量切片上赋值

我正在努力做到以下几点

state[0,:] = state[0,:].assign( 0.9*prev_state + 0.1*( tf.matmul(inputs, weights) + biases ) )
for i in xrange(1,BATCH_SIZE):
    state[i,:] = state[i,:].assign( 0.9*state[i-1,:] + 0.1*( tf.matmul(inputs, weights) + biases ) )
prev_state = prev_state.assign( state[BATCH_SIZE-1,:] )

与

作为后续行动。我得到一个错误，

Tensor

没有

assign

方法

对

变量

张量的切片调用

赋值

方法的正确方法是什么

---

完整当前代码：

import tensorflow as tf
import math
import numpy as np

INPUTS = 10
HIDDEN_1 = 20
BATCH_SIZE = 3


def create_graph(inputs, state, prev_state):
    with tf.name_scope('h1'):
        weights = tf.Variable(
        tf.truncated_normal([INPUTS, HIDDEN_1],
                            stddev=1.0 / math.sqrt(float(INPUTS))),
        name='weights')
        biases = tf.Variable(tf.zeros([HIDDEN_1]), name='biases')

        updated_state = tf.scatter_update(state, [0], 0.9 * prev_state + 0.1 * (tf.matmul(inputs[0,:], weights) + biases))
        for i in xrange(1, BATCH_SIZE):
          updated_state = tf.scatter_update(
              updated_state, [i], 0.9 * updated_state[i-1, :] + 0.1 * (tf.matmul(inputs[i,:], weights) + biases))

        prev_state = prev_state.assign(updated_state[BATCH_SIZE-1, :])
        output = tf.nn.relu(updated_state)
    return output

def data_iter():
    while True:
        idxs = np.random.rand(BATCH_SIZE, INPUTS)
        yield idxs

with tf.Graph().as_default():
    inputs = tf.placeholder(tf.float32, shape=(BATCH_SIZE, INPUTS))
    state = tf.Variable(tf.zeros([BATCH_SIZE, HIDDEN_1]), name='inner_state')
    prev_state = tf.Variable(tf.zeros([HIDDEN_1]), name='previous_inner_state')

    output = create_graph(inputs, state, prev_state)

    sess = tf.Session()
    # Run the Op to initialize the variables.
    init = tf.initialize_all_variables()
    sess.run(init)
    iter_ = data_iter()
    for i in xrange(0, 2):
        print ("iteration: ",i)
        input_data = iter_.next()
        out = sess.run(output, feed_dict={ inputs: input_data})

---

Tensorflow

变量

对象对使用、和操作更新切片的支持有限。这些操作中的每一个都允许您指定一个变量、切片索引向量（表示变量第0维中的索引，表示要变异的连续切片）和值张量（表示在相应切片索引处应用于变量的新值）

要更新单行变量，可以使用

tf.scatter\u update（）

。例如，要更新第0行的

状态

，您可以执行以下操作：

updated_state = tf.scatter_update(
    state, [0], 0.9 * prev_state + 0.1 * (tf.matmul(inputs, weights) + biases))

要链接多个更新，可以使用从

tf.scatter\u update（）

返回的可变

updated\u状态

张量：

最后，您可以计算得到的

updated\u state.op

，以将所有更新应用于

state

：

for i in xrange(1, BATCH_SIZE):
  updated_state = tf.scatter_update(
      updated_state, [i], 0.9 * updated_state[i-1, :] + ...)

prev_state = prev_state.assign(updated_state[BATCH_SIZE-1, :])

sess.run(updated_state.op)  # or `sess.run(updated_state)` to fetch the result

---

另外，您可能会发现使用计算中间状态更有效，只需在变量中具体化

prev_state

。

Tensorflow

variable

对象对使用、和ops更新切片的支持有限。这些操作中的每一个都允许您指定一个变量、切片索引向量（表示变量第0维中的索引，表示要变异的连续切片）和值张量（表示在相应切片索引处应用于变量的新值）

要更新单行变量，可以使用

tf.scatter\u update（）

。例如，要更新第0行的

状态

，您可以执行以下操作：

updated_state = tf.scatter_update(
    state, [0], 0.9 * prev_state + 0.1 * (tf.matmul(inputs, weights) + biases))

要链接多个更新，可以使用从

tf.scatter\u update（）

返回的可变

updated\u状态

张量：

最后，您可以计算得到的

updated\u state.op

，以将所有更新应用于

state

：

for i in xrange(1, BATCH_SIZE):
  updated_state = tf.scatter_update(
      updated_state, [i], 0.9 * updated_state[i-1, :] + ...)

prev_state = prev_state.assign(updated_state[BATCH_SIZE-1, :])

sess.run(updated_state.op)  # or `sess.run(updated_state)` to fetch the result

---

PS.您可能会发现使用它来计算中间状态更有效，而只是在变量中具体化

prev_state

。

谢谢，我有点困惑如何在这种情况下使用

scan

，我不应该先用ops构建一个图，然后在输出节点上使用scan吗？我遇到的另一个问题是，因为我要在批元素维度上分解图，

tf.matmul（输入，权重）

不仅有效，而且行

updated\u state=tf.scatter\u update（state，[0]，0.9*prev\u state+0.1*（tf.matmul（输入[0，：]，权重）+偏差））

给出：

值错误：形状（10，）必须有秩2。我将用完整的代码更新OP谢谢，我有点困惑在这种情况下如何使用
scan
，我不应该先用OP构建一个图，然后在输出节点上使用scan吗？我遇到的另一个问题是，因为我要在批元素维度上分解图，
tf.matmul（输入，权重）
不仅有效，而且行
updated_state=tf.scatter_update（state[0]，0.9*prev_state+0.1*（tf.matmul（输入[0，：]，权重）+bias））
给出：
ValueError:Shape（10，）必须具有秩2
。我将用完整的代码更新OP