tensorflow要实现这一功能真的无比蛋疼,目前较简单的方法只能通过拼接来实现,有如下两种方法:
方法1:
def set_value(matrix, x, y, val):
# 提取出要更新的行
row = tf.gather(matrix, x)
# 构造这行的新数据
new_row = tf.concat([row[:y], [val], row[y+1:]], axis=0)
# 使用 tf.scatter_update 方法进正行替换
return tf.scatter_update(matrix, x, new_row)
方法2:
def set_value(matrix, x, y, val):
# 得到张量的宽和高,即第一维和第二维的Size
w = int(matrix.get_shape()[0])
h = int(matrix.get_shape()[1])
# 构造一个只有目标位置有值的稀疏矩阵,其值为目标值于原始值的差
val_diff = val - matrix[x][y]
diff_matrix = tf.sparse_tensor_to_dense(tf.SparseTensor(indices=[[x, y]], values=[val_diff], dense_shape=[w, h]))
# 用 Variable.assign_add 将两个矩阵相加
return tf.assign_add(matrix,diff_matrix)
方法1主要缺点是矩阵较大大的情况下,速度会很慢,方法二使用稀疏矩阵速度要快很多,测试代码:
import tensorflow as tf
a = tf.Variable(tf.ones([2,2]),name='a')
#print(a.eval())
def set_value(matrix, x, y, val):
# 得到张量的宽和高,即第一维和第二维的Size
w = int(matrix.get_shape()[0])
h = int(matrix.get_shape()[1])
# 构造一个只有目标位置有值的稀疏矩阵,其值为目标值于原始值的差
val_diff = val - matrix[x][y]
diff_matrix = tf.sparse_tensor_to_dense(tf.SparseTensor(indices=[[x, y]], values=[val_diff], dense_shape=[w, h]))
# 用 Variable.assign_add 将两个矩阵相加
return tf.assign_add(matrix,diff_matrix)
'''
def set_value(matrix, x, y, val):
# 提取出要更新的行
row = tf.gather(matrix, x)
# 构造这行的新数据
new_row = tf.concat([row[:y], [val], row[y+1:]], axis=0)
# 使用 tf.scatter_update 方法进正行替换
return tf.scatter_update(matrix, x, new_row)
'''
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print("Before change")
print(sess.run(a))
print("After change")
a=set_value(a,1,1,3)
print(sess.run(a))
结果:
Before change
[[1. 1.]
[1. 1.]]
After change
[[1. 1.]
[1. 3.]]