递归分配给Tensorflow中的变量切片

我想递归地为Tensorflow（1.15）变量中的切片赋值

举例来说，这是可行的：

    def test_loss():

        m = tf.Variable(1)
        n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))
        A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])

        return 1

    test_loss()
    Out: 1

然后我试着：

    def test_loss():

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        for n in range(5):
            A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])

        return 1

    test_loss()

    def test_loss():

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        for n in range(5):
            A = tf.Variable(A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5]))

        return 1

    test_loss()

但这将返回一条错误消息：

    ---> 10         A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])
    ...
    ValueError: Sliced assignment is only supported for variables

我知道'assign'返回的不是'Variable'，因此在下一个循环中传递'a'将 再也找不到“变量”了

然后我试着：

    def test_loss():

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        for n in range(5):
            A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])

        return 1

    test_loss()

    def test_loss():

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        for n in range(5):
            A = tf.Variable(A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5]))

        return 1

    test_loss()

然后我得到：

    InvalidArgumentError: Input 'ref' passed float expected ref type while building NodeDef...

---

你知道我可以递归地给Tensorflow变量片赋值吗？

这里有一些关于使用

tf.variable

和

assign（）的见解

第一个失败的解决方案
当您执行
A.assign（B）
时，它实际上返回一个张量（即不是
tf.Variable
）。所以它在第一次迭代中起作用。从下一次迭代开始，您将尝试为
tf.Tensor
赋值，这是不允许的

第二个失败的解决方案
这又是一个非常糟糕的主意，因为您正在循环中创建变量。如果做得足够多，您的内存就会耗尽。但这甚至不会运行，因为您最终遇到了一个可怕的死锁。您正试图创建一个带有张量的变量，该张量将在图形执行时计算。要执行图形，需要变量

正确的方法
我能想到的最好的方法是
test\u loss
返回更新操作，并将
n
设置为TensorFlow占位符。在运行会话的每次迭代中，您都会将一个值传递给
n
（即当前迭代）

谢谢你的洞察力。我觉得在这种情况下，使用PyTorch是一个更好的范例（更“pythonic”）。我同意如果你有动态操作，你可以使用PyTorch。但您也可以尝试一下TF2。他们转向了急切执行，这意味着张量会立即执行。
def test_loss(n):

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        update = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])        

        return update

with tf.Session() as sess:

    tf_n = tf.placeholder(shape=None, dtype=tf.int32, name='n')
    update_op = test_loss(tf_n)
    print(type(update_op))
    tf.global_variables_initializer().run()
    for n in range(5):
      print(1)
      #print(sess.run(update_op, feed_dict={tf_n: n}))