Tensorflow：如何修改张量中的值答案

【问题标题】：Tensorflow: How to modify the value in tensorTensorflow：如何修改张量中的值
【发布时间】：2016-09-01 11:48:47
【问题描述】：

由于我需要在使用 Tensorflow 训练模型之前为数据编写一些预处理程序，因此需要对 tensor 进行一些修改。但是，我不知道如何像使用numpy 那样修改tensor 中的值。

最好的办法是直接修改tensor。然而，在当前版本的 Tensorflow 中似乎是不可能的。另一种方法是将进程的tensor 更改为ndarray，然后使用tf.convert_to_tensor 更改回来。

关键是如何将tensor改为ndarray。
1)tf.contrib.util.make_ndarray(tensor): https://www.tensorflow.org/versions/r0.8/api_docs/python/contrib.util.html#make_ndarray
根据文档，这似乎是最简单的方法，但我在当前版本的 Tensorflow 中找不到此功能。其次，它的输入是TensorProto而不是tensor。
2) 使用a.eval() 将a 复制到另一个ndarray
然而，它仅适用于在笔记本中使用tf.InteractiveSession()。

下面是一个带有代码的简单案例。此代码的目的是使tfc 在处理后具有与npc 相同的输出。

提示
您应该认为tfc 和npc 是相互独立的。这满足了最初检索到的训练数据为tensor格式和tf.placeholder()的情况。

源代码

import numpy as np
import tensorflow as tf
tf.InteractiveSession()

tfc = tf.constant([[1.,2.],[3.,4.]])
npc = np.array([[1.,2.],[3.,4.]])
row = np.array([[.1,.2]])
print('tfc:\n', tfc.eval())
print('npc:\n', npc)
for i in range(2):
    for j in range(2):
        npc[i,j] += row[0,j]

print('modified tfc:\n', tfc.eval())
print('modified npc:\n', npc)

输出：

tfc:
[[ 1. 2.]
[ 3. 4.]]
全国人大：
[[ 1. 2.]
[ 3. 4.]]
修改过的 tfc:
[[ 1. 2.]
[ 3. 4.]]
修改后的NPC：
[[ 1.1 2.2]
[3.1 4.2]]

【问题讨论】：

标签： python numpy tensorflow

【解决方案1】：

使用assign和eval（或sess.run）assign：

import numpy as np
import tensorflow as tf

npc = np.array([[1.,2.],[3.,4.]])
tfc = tf.Variable(npc) # Use variable 

row = np.array([[.1,.2]])

with tf.Session() as sess:   
    tf.initialize_all_variables().run() # need to initialize all variables

    print('tfc:\n', tfc.eval())
    print('npc:\n', npc)
    for i in range(2):
        for j in range(2):
            npc[i,j] += row[0,j]
    tfc.assign(npc).eval() # assign_sub/assign_add is also available.
    print('modified tfc:\n', tfc.eval())
    print('modified npc:\n', npc)

它输出：

tfc:
 [[ 1.  2.]
 [ 3.  4.]]
npc:
 [[ 1.  2.]
 [ 3.  4.]]
modified tfc:
 [[ 1.1  2.2]
 [ 3.1  4.2]]
modified npc:
 [[ 1.1  2.2]
 [ 3.1  4.2]]

【讨论】：

谢谢！我认为您的想法是假设 tfc 在开始时与 npc 共享相同的值，以便您可以首先处理 npc 然后将 assign 处理到 tfc 以获得相同的输出。然而事实并非如此。在实际情况下，您拥有的唯一数据是tfc，建议您需要将npc 视为开头不存在。所以关键应该是如何处理tfc中的数据。
@user3030046 取决于操作。如果它们是简单的 add/sub，请使用 assign_sub/assign_add。其他，我们还有很多其他的方法。你想更新 tf.Tensor 中的元素吗？如果你给我一个用例，我会看看我能做什么。
我的情况是我正在尝试实现 CBOW（here 中的最后一个单元格。它需要对所有附近跳过的向量求和以进行预测。具体来说，它就像使用在 10×3 矩阵上逐行求和并输出 10×1 向量。此卷积运算将在 10×100 矩阵上重复，它将产生相同大小的输出矩阵。你有有什么想法吗？
@user3030046 你能用一些示例代码添加另一个问题吗？最好理解你的问题并回答它。谢谢！

【解决方案2】：

我为此苦苦挣扎了一段时间。给出的答案会将assign 操作添加到图形中（因此如果您随后保存检查点，则会不必要地增加.meta 的大小）。更好的解决方案是使用tf.keras.backend.set_value。可以通过以下方式使用原始张量流来模拟：

    for x, value in zip(tf.global_variables(), values_npfmt):
      if hasattr(x, '_assign_placeholder'):
        assign_placeholder = x._assign_placeholder
        assign_op = x._assign_op
      else:
        assign_placeholder = array_ops.placeholder(tf_dtype, shape=value.shape)
        assign_op = x.assign(assign_placeholder)
        x._assign_placeholder = assign_placeholder
        x._assign_op = assign_op
      get_session().run(assign_op, feed_dict={assign_placeholder: value})

【讨论】：