tensorflow修改变量某个特定tensor的值

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.]]