Tensorflow：如何通过索引获取张量值并分配新值

我试图对Tensorflow中张量的Topk值做一些运算。基本上，我想要的是首先得到K值的索引，做一些运算并分配新的值。例如：

A = tf.constant([[1,2,3,4,5],[6,7,8,9,10]])
values, indices = tf.nn.top_k(A, k=3)

在这里，值将是数组（[[5,4,3]，[10,9,8]]，dtype=int32）

---

在我对值执行一些操作之后，比如prob=tf.nn.softmax（值），我应该如何根据索引将该值分配给A？这类似于numpy A[index]=prob。似乎在tensorflow中找不到正确的函数来实现这一点。

不幸的是，tensorflow在你想使用张量索引时非常痛苦，所以要实现你的想法，你必须使用一些难看的变通方法。我的选择是：

将tensorflow导入为tf
#首先，最好使用变量，因为常量不是为更新而设计的
A=tf.变量（初始值=[[1,2,3,4,5]，[6,7,8,9,10]）
#创建一个缓冲区变量，用于存储临时更新，
#用随机值初始化它
t=tf.Variable（初始值=tf.cast（tf.random\u normal（shape=[5]），dtype=tf.int32））
数值，指数=tf.nn.top_k（A，k=3）
#创建一个函数，用于对所需的值进行操作
def val_操纵（v）：
返回2*v+1
#创建一个while循环来更新one be one的每个条目，
#因为“分散”和“更新”只能通过切片进行更新，而不能通过单个条目进行更新
i=tf.常数（0）
#每片更新一次停止
c=λi，x:tf.less（i，tf.shape（A）[0]）
#每次迭代更新i和
#用更新的切片更新A（A[i]）的每个切片
b=lambda i，x:[i+1，tf.散射和更新（A，[[i]]，[tf.散射更新（tf.分配（t，A[i]），索引[i]，值处理（值[i]）]]
#While循环
r=tf.while_循环（c，b，[i，A]）
初始化所有变量（）
将tf.Session（）作为s：
s、 运行（初始化）
#试试看！
打印s.run（A）
s、 运行（r）
打印s.run（A）

所以基本上你要做的是：

scatter\u update

只能处理变量，因此我们从a（作为[i]）中提取一个切片，并将这些值存储到缓冲变量

t

使用所需值更新缓冲区变量中的值

用更新的

t

重复

A

最终，您应该得到以下输出：

[[1 2 3 4 5][6 7 8 9 10]]
[[ 1  2  7  9 11]  [ 6  7 17 19 21]]

不能更改

常量的数组的值。