Tensorflow 2-如何直接在tf.Variable中有条件地更新值 问题:

请告知如何有条件地更新原始tf.Variable。这是一个与之不同的问题

背景

tf.Variable

是可变的，

assign

方法将更新相同的内存区域。看起来

assign

方法在赋值时没有包含条件的选项。因此，我认为应该有条件地更新tf.Variable

在numpy中，可以使用索引直接更新numpy数组，但在Tensorflow中似乎没有这种方法

# Numpy conditional uddate with boolean indexing
x = np.random.uniform(-1, 1, size=(3, 4))
x[x > 0] = 0

问题 由于

tf.Variable

是可变的，预计

tf.where

将对原始变量进行变异，但是如下所示，原始变量

x

尚未更新

x = tf.Variable(np.random.uniform(-1, 1, size=(3,4)), dtype=tf.float32)
print(f"x:{x}\n")
print(f"x > 0:\n{x > 0}\n")
print(f"tf.where(x>0, 1, x):\n{tf.where(x>0, 1, x)}")

x  # check if updated

结果:

# --------------------------------------------------------------------------------
# Original tf.Variable x
# --------------------------------------------------------------------------------
x is <tf.Variable 'Variable:0' shape=(3, 4) dtype=float32, numpy=
array([[ 0.8015974 ,  0.8223503 , -0.2704468 ,  0.01874248],
       [ 0.46989247,  0.4753061 , -0.06808566, -0.57646054],
       [ 0.07082719,  0.2924774 , -0.12741995,  0.3168819 ]],
      dtype=float32)>

x > 0 is [[ True  True False  True]
 [ True  True False False]
 [ True  True False  True]]

# --------------------------------------------------------------------------------
# Update using tf.where
# --------------------------------------------------------------------------------
tf.where(x>0, 1, x)=
[[ 1.          1.         -0.2704468   1.        ]
 [ 1.          1.         -0.06808566 -0.57646054]
 [ 1.          1.         -0.12741995  1.        ]]

# --------------------------------------------------------------------------------
# The x is the same as before.
# --------------------------------------------------------------------------------
<tf.Variable 'Variable:0' shape=(3, 4) dtype=float32, numpy=
array([[ 0.8015974 ,  0.8223503 , -0.2704468 ,  0.01874248],
       [ 0.46989247,  0.4753061 , -0.06808566, -0.57646054],
       [ 0.07082719,  0.2924774 , -0.12741995,  0.3168819 ]],
      dtype=float32)>

对于张量，它没有像“assign”或“assign\u add”等方法

我认为创建一个包含 您的幻灯片的均值/方差值，并在 单元格的call（）主体。一旦该层遍历所有时间步，您就可以 可以为TensorArray执行堆栈并将值赋回 变量本身。您不必连续写入变量 在处理timestep时，因为timestep t不应该影响 结果为t+1（如果我正确理解您的问题）

---

要更新

tf.Variable

，您需要调用

assign

。请阅读指南中的更多内容

>>将tensorflow作为tf导入
>>>tf.random.set_种子（0）
>>>x=tf.Variable（tf.random.uniform（（3,4），-1,1），dtype=tf.float32）
>>>x
>>>x.赋值（tf.其中（x>0，x，0））
>>>x

这里还有一些案例。主要的收获是要更新

tf.Variable

中的内容，我们使用

assign

。但请注意，它会急切地赋值

x = tf.Variable(range(5), shape=(5,), name="a")
x.numpy()
array([0, 1, 2, 3, 4], dtype=int32)

x.assign(tf.where(x > 2, x, -1)).numpy()
array([-1, -1, -1,  3,  4], dtype=int32)

x.assign(range(5,10)).numpy()
array([5, 6, 7, 8, 9], dtype=int32)

x.assign(tf.where(x < 8, tf.range(5), tf.where(x > 8 , x, -1))).numpy()
array([ 0,  1,  2, -1,  9], dtype=int32)

x=tf.Variable（范围（5），形状=（5），name=“a”）
x、 numpy（）
数组（[0,1,2,3,4]，dtype=int32）
x、 赋值（tf.where（x>2，x，-1））.numpy（）
数组（[-1，-1，-1,3,4]，dtype=int32）
x、 赋值（范围（5,10））.numpy（）
数组（[5,6,7,8,9]，dtype=int32）
x、 赋值（tf.where（x<8，tf.range（5），tf.where（x>8，x，-1））.numpy（）
数组（[0,1,2，-1,9]，dtype=int32）

var_slice = var[4:5]
var_slice.assign(math_ops.sub(var, const))

>>> import tensorflow as tf
>>> tf.random.set_seed(0)
>>> x = tf.Variable(tf.random.uniform((3,4),-1,1), dtype=tf.float32)
>>> x
<tf.Variable 'Variable:0' shape=(3, 4) dtype=float32, numpy=
array([[-0.41604972, -0.5868671 ,  0.07078147,  0.12251496],
       [-0.16665101,  0.6156559 , -0.0135498 ,  0.9962585 ],
       [ 0.3934703 , -0.7492528 ,  0.4196334 ,  0.32483125]],
      dtype=float32)>
>>> x.assign(tf.where(x>0,x,0))
<tf.Variable 'UnreadVariable' shape=(3, 4) dtype=float32, numpy=
array([[0.        , 0.        , 0.07078147, 0.12251496],
       [0.        , 0.6156559 , 0.        , 0.9962585 ],
       [0.3934703 , 0.        , 0.4196334 , 0.32483125]], dtype=float32)>
>>> x
<tf.Variable 'Variable:0' shape=(3, 4) dtype=float32, numpy=
array([[0.        , 0.        , 0.07078147, 0.12251496],
       [0.        , 0.6156559 , 0.        , 0.9962585 ],
       [0.3934703 , 0.        , 0.4196334 , 0.32483125]], dtype=float32)>

x = tf.Variable(range(5), shape=(5,), name="a")
x.numpy()
array([0, 1, 2, 3, 4], dtype=int32)

x.assign(tf.where(x > 2, x, -1)).numpy()
array([-1, -1, -1,  3,  4], dtype=int32)

x.assign(range(5,10)).numpy()
array([5, 6, 7, 8, 9], dtype=int32)

x.assign(tf.where(x < 8, tf.range(5), tf.where(x > 8 , x, -1))).numpy()
array([ 0,  1,  2, -1,  9], dtype=int32)