Tensorflow 如何进行非累积张量流散射？

作为学习tensorflow方法的一部分，我正在转换一些现有的矩阵处理逻辑。其中一个步骤是散射操作，如下面示例中使用散射添加的操作。我在这个例子中遇到的问题是，每次对操作求值时，它都会在前面的结果的基础上累加。使用如下所示的3个run（）调用，打印的结果如下：

[[8 12 8]...]
[[16 24 16]...]
[[24 36 24]...]

而我想要的是每次都是

[[8128]…]

。

索引

向量包含重复项，

更新

中的相应元素需要一起添加，但不能添加到分散的

中已保存的现有值

tensorflow文档中的分散操作似乎都不是我想要的。是否有合适的操作可供使用？如果没有，实现我所需要的最好方法是什么

import tensorflow as tf

indices = tf.constant([0, 1, 0, 1, 0, 1, 0, 1], tf.int32)

updates = tf.constant([
            [1., 2., 3., 4.],
            [2., 3., 4., 1.],
            [3., 4., 1., 2.],
            [4., 1., 2., 3.],
            [1., 2., 3., 4.],
            [2., 3., 4., 1.],
            [3., 4., 1., 2.],
            [4., 1., 2., 3.]], tf.float32)

scattered = tf.Variable([
            [0., 0., 0., 0.,],
            [0., 0., 0., 0.,]], tf.float32)

# Requirement:
# scattered[i, j] = Sum of updates[k, j] where indices[k] == i
#
# i.e.
#   scattered_data = [
#     [1+3+1+3, 2+4+2+4, 3+1+3+1, 4+2+4+2], 
#     [2+4+2+4, 3+1+3+1, 4+2+4+2, 1+3+1+3]]
#   == [
#     [ 8, 12,  8, 12],
#     [12,  8, 12,  8]]

scattered = tf.scatter_add(scattered, indices, updates, use_locking=True, name='scattered')
scattered_print = tf.Print(scattered, [scattered])

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
sess.run(scattered_print)
# Printout: [[8 12 8]...]
sess.run(scattered_print)
# Printout: [[16 24 16]...]
sess.run(scattered_print)
# Printout: [[24 36 24]...]
sess.close()

Scatter\u向变量引用添加更新。因此，您可以执行以下操作：

tf.matmul(tf.cast(tf.concat([indices[tf.newaxis,...], 1-indices[tf.newaxis,...]], axis=0), tf.float32),updates)

Scatter\u向变量引用添加更新。因此，您可以执行以下操作：

tf.matmul(tf.cast(tf.concat([indices[tf.newaxis,...], 1-indices[tf.newaxis,...]], axis=0), tf.float32),updates)

对
scatter\u add
调用的以下修改似乎可以使事情按预期进行：

with tf.control_dependencies([scattered.initializer]):
    scattered = tf.scatter_add(scattered, indices, updates, use_locking=True, name='scattered')

其基本原理是，由于我用零初始化变量，因此在每次
scatter\u add
操作之前强制初始化器重新运行将清除它并避免累积更新

这对我来说仍然有点笨重——我本以为会有一个单一的呼叫解决方案。我不确定会有多少不必要的内存分配和释放，但我认为这是以后要研究的问题。
下面对
scatter\u add
调用的修改似乎可以使事情按预期工作：

with tf.control_dependencies([scattered.initializer]):
    scattered = tf.scatter_add(scattered, indices, updates, use_locking=True, name='scattered')

其基本原理是，由于我用零初始化变量，因此在每次
scatter\u add
操作之前强制初始化器重新运行将清除它并避免累积更新

这对我来说仍然有点笨重——我本以为会有一个单一的呼叫解决方案。我不确定会有多少不必要的内存分配和释放，但我想这是以后要研究的问题。
谢谢你的回答。然而，显示的代码（当然）是真实问题的玩具版本。实际上，
索引
中的值从0到大约15000不等，其长度约为10000000。转换为32位矩阵的乘法需要创建一个大约600GB的中间矩阵。我正试图把它输入GPU。现有的实现每个索引项使用16位，因此表示大约20MB的索引数组。感谢您的回复。然而，显示的代码（当然）是真实问题的玩具版本。实际上，
索引
中的值从0到大约15000不等，其长度约为10000000。转换为32位矩阵的乘法需要创建一个大约600GB的中间矩阵。我正试图把它输入GPU。现有的实现每个索引项使用16位，因此表示大约20MB的索引数组。