TensorFlow 中張量值的條件賦值

Question

我想在tensorflow復制以下numpy代碼。 例如，我想為之前值為1所有張量索引分配一個0 。

a = np.array([1, 2, 3, 1])
a[a==1] = 0

# a should be [0, 2, 3, 0]

如果我在tensorflow編寫類似的代碼， tensorflow出現以下錯誤。

TypeError: 'Tensor' object does not support item assignment

方括號中的條件應該是任意的，如a[a<1] = 0 。

有沒有辦法在tensorflow實現這種“條件分配”（因為沒有更好的名字）？

Answer 1

TensorFlow API 中可用的比較運算符，例如大於。

然而，在直接操作張量方面，沒有什么等同於簡潔的 NumPy 語法。 您必須使用單獨的comparison ， where和assign運算符來執行相同的操作。

與您的 NumPy 示例等效的代碼是：

import tensorflow as tf

a = tf.Variable( [1,2,3,1] )    
start_op = tf.global_variables_initializer()    
comparison = tf.equal( a, tf.constant( 1 ) )    
conditional_assignment_op = a.assign( tf.where (comparison, tf.zeros_like(a), a) )

with tf.Session() as session:
    # Equivalent to: a = np.array( [1, 2, 3, 1] )
    session.run( start_op )
    print( a.eval() )    
    # Equivalent to: a[a==1] = 0
    session.run( conditional_assignment_op )
    print( a.eval() )

# Output is:
# [1 2 3 1]
# [0 2 3 0]

打印語句當然是可選的，它們只是為了證明代碼正確執行。

Answer 2

我也剛開始使用 tensorflow 也許有人會更直觀地填充我的方法

import tensorflow as tf

conditionVal = 1
init_a = tf.constant([1, 2, 3, 1], dtype=tf.int32, name='init_a')
a = tf.Variable(init_a, dtype=tf.int32, name='a')
target = tf.fill(a.get_shape(), conditionVal, name='target')

init = tf.initialize_all_variables()
condition = tf.not_equal(a, target)
defaultValues = tf.zeros(a.get_shape(), dtype=a.dtype)
calculate = tf.select(condition, a, defaultValues)

with tf.Session() as session:
    session.run(init)
    session.run(calculate)
    print(calculate.eval())

主要問題是難以實現“自定義邏輯”。 如果你不能用線性數學術語解釋你的邏輯，你需要為 tensorflow 編寫“自定義操作”庫（ 更多細節在這里）