Python 如何更改TensorFlow中不是tf.变量的张量的值？

我知道TensorFlow中有一个

tf.assign

函数，但是这个函数主要针对可变张量（

tf.Variable

）。如何修改张量的值？例如，下面的代码

import numpy as np
import tensorflow as tf

X = tf.placeholder(tf.float32, shape=[None, 32, 32, 3])

conv1 = tf.layers.conv2d(X, filters=64, kernel_size=(3, 3), padding='same',name='conv1')
relu1 = tf.nn.relu(conv1)

conv2 = tf.layers.conv2d(relu1, filters=64, kernel_size=(3, 3), padding='same',name='conv2')
relu2 = tf.nn.relu(conv2)

init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)

tensor = sess.graph.get_tensor_by_name(u'conv2/Conv2D:0')
feature_map = tf.reduce_mean(tensor[:,:,:,24])

image = np.random.uniform(size=(1,32,32,3))
sess.run([feature_map], feed_dict={X: image})

如何修改

特征映射的值且不影响其派生

更具体地说，当我更改
feature\u map
的值时，它不会影响其派生过程。
例如，
y=a^2
，
y'=2a
，我只需要将
a=1
更改为
a=2

Other\u op=tf.渐变（特征图，X）

不同的
功能映射将获得不同的值，但不会破坏操作的图形结构。
这是不可能的。张量是
tf.Operation
的输出。发件人：

张量是
操作
输出之一的符号句柄。它不保存该操作的输出值，而是提供一种在TensorFlow
tf.Session
中计算这些值的方法

因此，您不能单独更改其值。
在您的示例中，
功能图
没有值，因为它是一个操作。因此，您不能更改它的值。您可以做的是将另一个值作为
session.run的
feed\u dict
参数的一部分传入

因此，例如，如果您的要素图后面跟着这样的操作：

other_op = tf.gradient(feature_map, X)

然后，您可以通过
feed\u dict
更改传入该op的值（
gradient，在本例中为
gradient
），如下所示：

session.run(other_op, feed_dict={feature_map: <new value>})

session.run（其他_op，feed_dict={feature_map:}）
感谢您的快速回复！是否可以更清楚地了解如何使用
feed\u dict
方法传递另一个值。新值会影响其派生吗？就像
tf.gradient（feature\u map，X）
是的，我添加了一个例子，但是使用
feed\u dict
传递值，
feature\u map
需要是
tf.placeholder
。它不会传播。遗憾的是，尝试这种方法是没有用的。必须通过
feed\u dict
输入
tf.placeholder
。但是其他的张量也可以用这种方式输入。是的！你是对的！但在本例中，我发现
session.run（other_-op，feed_-dict={X:image，feature_-map:}）
和
session.run（other_-op，feed_-dict={X:image，feature_-map:}）具有相同的值。我就是这么说的，没用谢谢你的指示。有没有其他方法可以实现我描述的结果？您可以运行后续的ops并传递您自己的
功能\u map
值。所以其他运营商会认为
功能图
具有该值。但它不会通过
特性图
传播。如果这足够了，请尝试
sess.run（…，feed\u dict={feature\u map:…}）
也许我真的需要考虑其他方法。我想更改op的值，但不影响其图形，直到不太清楚为止。也许对其他人来说是这样。更改输入值将影响将其用作输入的张量。因此，如果输入
a
，我希望
y
（in
y=a^2
）会发生变化。你为什么不想让那些人受到影响？我想你可能需要改变你的图表，就像交叉熵损失一样。我需要归一化损失值，它是张量。所以我想修改这个值，它也可以反向传播。现在可能开始有意义了。你可以举个例子。听起来你是在要求替换损失值，而实际上你可能更希望传入损失计算中使用的占位符/变量。（当你建议
tf.gradient
操作时，我没有像操作那样关注太多）其他人可能会有更好的想法。fed-in值会影响张量，但奇怪的是，这种变化不会影响导数的值。无论如何，谢谢你的讨论。