Python tensorflow中的渴望执行和懒惰执行的差异

我正在试验tf.scatter\u and\u update，我注意到在急切执行和不急切（懒惰）执行之间的行为有一些特殊的差异。让我们从一个简单的急切模式示例开始：

import tensorflow as tf
tf.enable_eager_execution()

ref = tf.Variable(tf.ones([5, 3], dtype=tf.int32))
updates = tf.Variable([[0, 5, 2]])
update = tf.scatter_nd_update(ref, [[0]], updates)
print(update.numpy())

哪种方法很好：

[[0 5 2]
 [1 1 1]
 [1 1 1]
 [1 1 1]
 [1 1 1]]

同样的脚本也适用于非即时执行：

import tensorflow as tf

ref = tf.Variable(tf.ones([5, 3], dtype=tf.int32))
updates = tf.Variable([[0, 5, 2]])
update = tf.scatter_nd_update(ref, [[0]], updates)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(update))

特殊的行为是，在急切执行中，如果我将

tf.scatter\u nd\u update

中的

索引

参数替换为秩1索引，如本例中的

[0]

，它仍然有效，但仅在急切模式下有效

import tensorflow as tf
tf.enable_eager_execution()

ref = tf.Variable(tf.ones([5, 3], dtype=tf.int32))
updates = tf.Variable([[0, 5, 2]])
update = tf.scatter_nd_update(ref, [0], updates)  # <- indices here are rank 1
print(update.numpy())

将tensorflow导入为tf
tf.enable_eager_execution（）
ref=tf.Variable（tf.ones（[5,3]，dtype=tf.int32））
updates=tf.Variable（[[0,5,2]]）
更新=tf.分散和更新（参考[0]，更新）#