Python 在tf.concat张量上赋值，丢弃张量的变量特征？

我试图使用Python API为Tensorflow神经网络的权重和值设置特定的值。为此，我将所有权重和偏差放置在一个公共集合中，并对每个层的张量进行适当的整形和使用tf.concat

在我的代码中的某个阶段，我检索所述集合。然而，当我尝试将tf.assign（使用相同形状的tf.placeholder）分配给这些连接的张量，以设置来自单个值向量的所有权重/偏差时，例如，坐在提要中，我得到了错误

AttributeError: 'Tensor' object has no attribute 'assign'

我已将我的问题归结为一个最低工作示例（MWE），如下所示：

import tensorflow as tf

a=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
b=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
c=tf.concat([a,b], axis=0)

d_all=tf.placeholder(shape=[4], dtype=tf.float32)
d_single=tf.placeholder(shape=[2], dtype=tf.float32)

#e_all=tf.assign(c,d_all)
e_single=tf.assign(a,d_single)

sess=tf.Session()
sess.run(tf.global_variables_initializer())

print(a)
print(d_single)

sess.run(e_single, feed_dict={
    d_single: [1,2]
})

print(c)
print(d_all)

#sess.run(e_all, feed_dict={
#    d_all: [1,2,3,4]
#})

注释掉的行不起作用，失败时出现相同的错误。似乎tf.concat产生的张量不再是变量，因此没有赋值属性。我发现了一个相关的问题，但我的问题并没有像上面建议的那样通过验证_形状来解决

---

有什么想法吗？这是期望的行为吗？

是的，这是设计的行为，因为

c

是一个操作，而不是一个变量。以下是最简单的版本：

c=a+b
tf.assign（c，a）#不起作用！

基本上，此图表示节点

c

通过特定操作（concat、addition等）依赖于

a

和

b

。将其他值分配给

c

与来自

a

和

b

的值冲突，换句话说，这会破坏计算图形

---

您应该做的是将

d\u all

拆分为形状张量

[2]

，并指定基础

a

和

b

。这种方式完全有效。

谢谢您的快速回复！我原以为在分配任务时concat会映射回变量。在这方面，它也完全不同于两个节点求和的例子。更接近的可能是，a=tf.Variable（tf.random_uniform（shape=[2,1]）请编辑某人，花了我5分钟多。。。我的意思是：concat是一对一，a+b不是。因此，具有相同行为的tf.reforme将是一个更好的示例。