Python 更新TensorFlow中的权重子集

是否有人知道如何更新前向传播中使用的权重子集（即仅某些索引）

我的猜测是，在应用compute_梯度后，我可能可以这样做，如下所示：

optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
grads_vars = optimizer.compute_gradients(loss, var_list=[weights, bias_h, bias_v])

---

…然后对

grads\u vars

中的元组列表执行一些操作。您可以使用

聚集

和

分散更新

的组合。下面是一个将位置

0

和

2

indices = tf.constant([0,2])
data = tf.Variable([1,2,3])
data_subset = tf.gather(data, indices)
updated_data_subset = 2*data_subset
sparse_update = tf.scatter_update(data, indices, updated_data_subset)
init_op = tf.initialize_all_variables()

sess = tf.Session()
sess.run([init_op])
print "Values before:", sess.run([data])
sess.run([sparse_update])
print "Values after:", sess.run([data])

你应该看到

Values before: [array([1, 2, 3], dtype=int32)]
Values after: [array([2, 2, 6], dtype=int32)]

---

最简单的方法是使用

npvar=sess.run（tfvar）

将

tf.Variable

拉入python（作为一个numpy数组），然后对其执行一些操作，例如

npvar[1，2]=-10

。然后可以使用

sess.run（tfvar.assign（npvar））

将修改后的数据上传回tensorflow

---

显然，这是非常缓慢的，对于训练来说并不是很有用，但它确实有效。

谢谢，我可以用1D张量。二维矩阵（在我的例子中是权重）怎么样？重塑为一维向量，计算线性指数，重塑回矩阵如果我做

data=tf.Variable（[[1,2,3]，[4,5,6]]）data=tf.reforme（data，[-1]）

我得到

类型错误：'ScatterUpdate'Op的输入'ref'需要l值输入

Hm…很好。解决方法之一是将变量保持为一维向量，并在需要时将其作为矩阵应用重塑真的很棒！也许这种方法会稍微慢一点，但如果不在训练循环中使用，而只是在一开始，在权重矩阵的子部分上形成自定义值，那么这是一种非常有效和简单的初始化方法。