Python 如何修改tf.nn.embedding_lookup（）中的返回张量？

我想使用

scatter\u nd\u update

更改从

tf.nn.embedded\u lookup（）

返回的张量的内容。但是，返回的张量是不可变的，

scatter\u nd\u update（）

需要可变张量作为输入。 我花了很多时间试图找到一个解决方案，包括使用

gen\u state\u ops.\u temporary\u variable

和使用

tf.sparse\u to\u densite

，不幸的是都失败了

我想知道有没有一个漂亮的解决办法

with tf.device('/cpu:0'), tf.name_scope("embedding"):
            self.W = tf.Variable(
                tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
                name="W")
            self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
            updates = tf.constant(0,shape=[embedding_size])
            for i in range(1,sequence_length - 2):
                indices = [None,i]
                tf.scatter_nd_update(self.embedded_chars,indices,updates)
            self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

简单地返回较大矩阵的切片，因此最简单的解决方案是更新该矩阵本身的值，在您的示例中是

self.W

：

self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)

因为它是一个变量，所以它符合。请注意，不能只更新任何张量，只能更新变量

另一个选项是仅为所选切片创建一个新变量，为其分配

self.embedded_chars

，然后执行更新

---

---

警告：在这两种情况下，您都在阻止梯度来训练嵌入矩阵，因此请仔细检查覆盖学习值是否真的是您想要的。

这个问题的根源在于不清楚tensorflow上下文中的张量和变量。后来对张量有了更多的了解，我想到的解决方案是：

   with tf.device('/cpu:0'), tf.name_scope("embedding"):
        self.W = tf.Variable(
            tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0),
            name="W")
        self.embedded_chars = tf.nn.embedding_lookup(self.W, self.input_x)
        for i in range(0,sequence_length - 1,2):
            self.tslice = tf.slice(self.embedded_chars,[0,i,0],[0,1,128])
            self.tslice2 = tf.slice(self.embedded_chars,[0,i+1,0],[0,1,128])
            self.tslice3 = tf.slice(self.embedded_chars,[0,i+2,0],[0,1,128])
            self.toffset1 = tf.subtract(self.tslice,self.tslice2)
            self.toffset2 = tf.subtract(self.tslice2,self.tslice3)
            self.tconcat = tf.concat([self.toffset1,self.toffset2],1)
        self.embedded_chars_expanded = tf.expand_dims(self.embedded_chars, -1)

---

所使用的函数tf.slice、tf.subtract、tf.concat都接受张量作为输入。请避免使用需要变量作为输入的tf.scatter\u和\u update等函数。

非常感谢您的解释。你能多说一点警告吗。我想在输入层修改一些张量，比如做一些加法或减法。修改原始输入数据（称为预处理）是可以的。你在这个问题中描述的是在训练中改写价值。或者可能我不明白你的目的。我想我在做预处理，因为它是在卷积发生之前完成的。我想连接每个单词嵌入或进行减法以获得嵌入偏移量，然后馈送到卷积层。所以我认为这不会破坏训练。不是吗？不，这很重要。嵌入是可以学习的（除非它是预先训练和固定的），所以它已经是网络的一部分了。在输入数据之前，先对数据进行预处理，在本例中为字符索引。我使用在谷歌语料库（GoogleNews-vectors-negative300）上训练过的预训练词2VEC嵌入。它加载在self.W中。然后通过嵌入查找得到句子中每个单词的向量并作为输入。我要做的是在输入层连接或减去这些字向量，然后馈送到卷积层。我认为只有权重矩阵是可学习的，输入层的嵌入是固定的。我说得对吗？