Python TensorFlow中张量值的条件赋值

我想在

tensorflow

中复制以下

numpy

代码。例如，我想将

0

分配给以前值为

1

的所有张量索引

a = np.array([1, 2, 3, 1])
a[a==1] = 0

# a should be [0, 2, 3, 0]

如果我在

tensorflow

中编写类似的代码，我会得到以下错误

TypeError: 'Tensor' object does not support item assignment

---

方括号中的条件应该是任意的，如TensorFlow API中可用的

a[a比较运算符

但是，在直接操作张量时，没有什么能与简洁的NumPy语法相提并论。您必须使用单独的
比较
、
其中
和
赋值
运算符来执行相同的操作

与NumPy示例等效的代码如下：

import tensorflow as tf

a = tf.Variable( [1,2,3,1] )    
start_op = tf.global_variables_initializer()    
comparison = tf.equal( a, tf.constant( 1 ) )    
conditional_assignment_op = a.assign( tf.where (comparison, tf.zeros_like(a), a) )

with tf.Session() as session:
    # Equivalent to: a = np.array( [1, 2, 3, 1] )
    session.run( start_op )
    print( a.eval() )    
    # Equivalent to: a[a==1] = 0
    session.run( conditional_assignment_op )
    print( a.eval() )

# Output is:
# [1 2 3 1]
# [0 2 3 0]

打印语句当然是可选的，它们只是用来证明代码的正确执行。
我也刚刚开始使用tensorflow
也许有人会让我的方法更直观

import tensorflow as tf

conditionVal = 1
init_a = tf.constant([1, 2, 3, 1], dtype=tf.int32, name='init_a')
a = tf.Variable(init_a, dtype=tf.int32, name='a')
target = tf.fill(a.get_shape(), conditionVal, name='target')

init = tf.initialize_all_variables()
condition = tf.not_equal(a, target)
defaultValues = tf.zeros(a.get_shape(), dtype=a.dtype)
calculate = tf.select(condition, a, defaultValues)

with tf.Session() as session:
    session.run(init)
    session.run(calculate)
    print(calculate.eval())

主要的问题是很难实现“自定义逻辑”。如果不能用线性数学术语解释逻辑，则需要为tensorflow（）编写“自定义操作”库
从技术上讲，这不会更新
a
，即您缺少OPI要求的赋值步骤。相信在最近的版本中，这可以通过切片语义完成：链接到“几个比较运算符”在中，答案已关闭。@Robert Lugg的链接也已关闭：/@RodrigoLaguna我更新了链接。我找不到类别部分，因此链接到了一个示例。