Python 变量在循环中转换为正规张量

我在Keras中有一个自定义层，我在其中定义了一些变量，并在call部分为这些变量赋值

class Mine_layer(KL.Layer):
  def __init__(self,shape):
    self.block=tf.Variable(tf.constant(1,shape=shape))
  def call (self,indeces):
    self.block=self.block[indeces[0][0],indeces[0][1]].assign(1)

这是可行的，但如果我尝试在所有索引上使用for循环：

for i in tf.range(0,limit=tf.shape(indeces)[0]):
   self.block=self.block[indeces[i][0],indeces[i][1]].assign(1)

这给了我一个错误，即“'Tensor'对象没有属性'assign'”

为什么会发生这种情况？我怎样才能解决它

我试着看了一下文档，但还是不明白

---

提前感谢所有可能回答的人。

大多数情况下，我们不使用self.block=。。。再次在init之后执行，因为这可能会使self.block指向另一个不需要的对象，例如在您的情况下的张量，从而产生错误消息

i、 e

---

更新：两种解决方案都有效

谢谢，但当我尝试使用assing时，它没有解决问题。它仍然告诉我，尽管self.block应该是一个Variable@Bomps您使用的是什么版本的tensorflow？我正在使用tf2.5.0，可以毫无问题地执行此操作。由于这种奇特的索引是一种新功能，在以前，使用了分散更新。与您相同的版本我没有提到的一件事是，在图形创建时输入形状是无的这就是我使用此

tf.range（0，limit=tf.shape（indeces）[0]的原因

与“无”一样，它应该将限制设置为0感谢您的时间和努力我认为我发现了问题，我将接受您的回答，因为这是错误的根源，尽管初始化过程中出现了另一个我没有注意到的错误（TensorFlow奇怪地没有抱怨）

class my_layer(keras.Layer):
  def __init__(self,shape):
    self.block = tf.Variable(tf.ones(shape)) #use tf.ones instead of tf.constant

  def call(self,inputs):
    self.block.scatter_nd_update(inputs,tf.ones(tf.shape(inputs)[0]))
    #remove the self.block= assignment and use scatter_nd_update

class my_layer2(keras.Layer):
  def __init__(self,shape):
    self.var = tf.Variable(tf.ones(shape)) 

  def call(self,inputs):
     for i in tf.range(tf.shape(inputs)[0]):
        self.var[inputs[i,0],inputs[i,1]].assign(1)