如何在TensorFlow中执行PyTorch样式的张量切片更新？

在Pytork中，您可以轻松地更新张量，如下所示：

 for i in range(x_len):
     tensor_abc[:, i, i] = 0

如何更新tensorflow中的张量

---

我尝试了tf.assign和tf.scatter\u update，但没有完成她的工作。

这个答案只适用于变量

import tensorflow as tf

sess = tf.InteractiveSession()
v = tf.zeros((5,5,5))
var = tf.Variable(initial_value=v)


init = tf.variables_initializer([var])
sess.run(init)


var = var[ 1 : 2 ,
           1 : 2 ,
           1 : 2 ].assign(tf.ones((1,1,1)))

print(sess.run(var))

这就产生了

[[[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 1. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]]

还有这个

var = var[ 1 : 2 ,
           0 : 1 ,
           0 : 1 ].assign(tf.ones((1,1,1)))

产生

  [[[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[1. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

  ....
  ....]]

另一个例子是

var = var[ 1 : 2 ,
             : 2 ,
             : 2 ].assign(tf.ones((1,2,2)))

[[[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[1. 1. 0. 0. 0.]
  [1. 1. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

      ....
      ....]]

---

你应该探索张量。

这个答案只适用于变量

import tensorflow as tf

sess = tf.InteractiveSession()
v = tf.zeros((5,5,5))
var = tf.Variable(initial_value=v)


init = tf.variables_initializer([var])
sess.run(init)


var = var[ 1 : 2 ,
           1 : 2 ,
           1 : 2 ].assign(tf.ones((1,1,1)))

print(sess.run(var))

这就产生了

[[[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 1. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]]

还有这个

var = var[ 1 : 2 ,
           0 : 1 ,
           0 : 1 ].assign(tf.ones((1,1,1)))

产生

  [[[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[1. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

  ....
  ....]]

另一个例子是

var = var[ 1 : 2 ,
             : 2 ,
             : 2 ].assign(tf.ones((1,2,2)))

[[[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

 [[1. 1. 0. 0. 0.]
  [1. 1. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

      ....
      ....]]

你应该探索张量。

是唯一可以更新的张量。对于变量，您可以使用诸如聚集和分散更新之类的代码进行切片

注意，其他张量不适合赋值。如果这就是你想要做的，我想知道为什么这是必要的。然而，仍然可以使用您想要的值创建新的张量，而不是使用有点复杂的代码就地赋值。例如，以下操作不起作用：

index = ... tensor = tf.constant([0,1,2,3,4]) 
tensor[i] = 0  
## Doesn't work (TypeError: `Tensor` object does not support item assignment)

但这两种方法中的任何一种都可以起到同等作用：

tensor = tf.constant([0,1,2,3,4]) 
tensor = tf.concat([tensor[:i], tf.zeros_like(tensor[i:i+1]), tensor[i+1:]], 0)  
## This works, creates a new tensor

张量=tf.常数[0,1,2,3,4] 张量=tf.concat[tensor[：i]，tf.fill[1]，0，张量[i+1:]，0 这样做，创建一个新的张量是唯一可以更新的张量。对于变量，您可以使用诸如聚集和分散更新之类的代码进行切片

注意，其他张量不适合赋值。如果这就是你想要做的，我想知道为什么这是必要的。然而，仍然可以使用您想要的值创建新的张量，而不是使用有点复杂的代码就地赋值。例如，以下操作不起作用：

index = ... tensor = tf.constant([0,1,2,3,4]) 
tensor[i] = 0  
## Doesn't work (TypeError: `Tensor` object does not support item assignment)

但这两种方法中的任何一种都可以起到同等作用：

tensor = tf.constant([0,1,2,3,4]) 
tensor = tf.concat([tensor[:i], tf.zeros_like(tensor[i:i+1]), tensor[i+1:]], 0)  
## This works, creates a new tensor

张量=tf.常数[0,1,2,3,4] 张量=tf.concat[tensor[：i]，tf.fill[1]，0，张量[i+1:]，0

---

这是可行的，创建一个新的张量，或者创建一个新的张量，但多维张量有可能吗？例如，将下面的张量的所有对角线更新为0:tensor=tf。变量[[1,2,3]，[4,5,6]，[7,8,9]，[3,2,1]，[6,5,4]，[9,8,7]，[2,2]，[2,2,2]，[2,2,2]]如果使用变量，可以使用tf.scatter\u update而不是创建新的张量。对于您的具体示例，您所说的“所有对角线”是什么意思？你指的是哪个轴？你能给我举一个期望得到的矩阵的例子吗？这将允许我提供一个更具体的代码示例创建新的张量会起作用，但多维张量有可能吗？例如，将下面的张量的所有对角线更新为0:tensor=tf。变量[[1,2,3]，[4,5,6]，[7,8,9]，[3,2,1]，[6,5,4]，[9,8,7]，[2,2]，[2,2,2]，[2,2,2]]如果使用变量，可以使用tf.scatter\u update而不是创建新的张量。对于您的具体示例，您所说的“所有对角线”是什么意思？你指的是哪个轴？你能给我举一个期望得到的矩阵的例子吗？这将允许我提供一个更具体的代码示例