Tensorflow 2 - tensor_scatter_nd_update 中的“索引深度”是什么？答案

【问题标题】：Tensorflow 2 - what is 'index depth' in tensor_scatter_nd_update?Tensorflow 2 - tensor_scatter_nd_update 中的“索引深度”是什么？
【发布时间】：2021-07-25 09:38:41
【问题描述】：

请解释tf.tensor_scatter_nd_update的索引深度是什么。

tf.tensor_scatter_nd_update(
    tensor, indices, updates, name=None
)

为什么一维张量的索引是二维的？

indexes 至少有两个轴，最后一个轴是索引向量的深度。对于更高等级的输入张量标量更新，可以使用匹配 tf.rank(tensor) 的 index_depth 插入：

tensor = [0, 0, 0, 0, 0, 0, 0, 0]    # tf.rank(tensor) == 1
indices = [[1], [3], [4], [7]]       # num_updates == 4, index_depth == 1   # <--- what is depth and why 2D for 1D tensor?
updates = [9, 10, 11, 12]            # num_updates == 4
print(tf.tensor_scatter_nd_update(tensor, indices, updates))

tensor = [[1, 1], [1, 1], [1, 1]]    # tf.rank(tensor) == 2
indices = [[0, 1], [2, 0]]           # num_updates == 2, index_depth == 2
updates = [5, 10]                    # num_updates == 2
print(tf.tensor_scatter_nd_update(tensor, indices, updates))

【问题讨论】：

标签： tensorflow2.0

【解决方案1】：

对于indices，index depth 是索引向量的大小或长度。例如：

indicesA = [[1], [3], [4], [7]] # index vector with 1 element: index_depth = 1
indicesB = [[0, 1], [2, 0]]     # index vector with 2 element: index_depth = 2

索引的原因是2D是为了保存两个信息，一个是更新的长度（num_updates）和索引向量的长度 .需要满足两点：

indices 的 index depth 必须等于 input 张量的 rank
updates 的长度必须等于indices 的长度

所以，在示例代码中

# tf.rank(tensor) == 1
tensor = [0, 0, 0, 0, 0, 0, 0, 0]    

# num_updates == 4, index_depth == 1 | tf.rank(indices).numpy() == 2 
indices = [[1], [3], [4], [7]]    

# num_updates == 4 | tf.rank(output).numpy() == 1  
updates = [9, 10, 11, 12]        

output = tf.tensor_scatter_nd_update(tensor, indices, updates)
tf.Tensor([ 0  9  0 10 11  0  0 12], shape=(8,), dtype=int32)

还有

# tf.rank(tensor) == 2
tensor = [[1, 1], [1, 1], [1, 1]]    

 # num_updates == 2, index_depth == 2 | tf.rank(indices).numpy() == 2
indices = [[0, 1], [2, 0]]          

# num_updates == 2 | tf.rank(output).numpy() == 2
updates = [5, 10]       
             
output = tf.tensor_scatter_nd_update(tensor, indices, updates)
tf.Tensor(
[[ 1  5]
 [ 1  1]
 [10  1]], shape=(3, 2), dtype=int32)

num_updates, index_depth = tf.convert_to_tensor(indices).shape.as_list()
[num_updates, index_depth]
[2, 2]

【讨论】：