递归分配给 Tensorflow 中的变量切片-解网

问：

我想以递归方式为 Tensorflow （1.15）变量中的切片赋值。

举例来说，这是有效的：

    def test_loss():

        m = tf.Variable(1)
        n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))
        A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])

        return 1

    test_loss()
    Out: 1

然后我试了一下：

    def test_loss():

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        for n in range(5):
            A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])

        return 1

    test_loss()

但这会返回一条错误消息：

    ---> 10         A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])
    ...
    ValueError: Sliced assignment is only supported for variables

我知道“assign”返回的不是“变量”，因此在下一个循环中传递“A”将不再找到“变量”。

然后我试了一下：

    def test_loss():

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        for n in range(5):
            A = tf.Variable(A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5]))

        return 1

    test_loss()

然后我得到了：

    InvalidArgumentError: Input 'ref' passed float expected ref type while building NodeDef...

关于我可以递归地为 Tensorflow 变量切片赋值的任何想法？

TensorFlow 变量切片分配

第一个失败的解决方案

for n in range(5):
            A = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])

当你这样做时，它实际上返回一个张量（即不是）。因此，它适用于第一次迭代。从下一次迭代开始，您将尝试将值分配给，这是不允许的。A.assign(B)tf.Variabletf.Tensor

第二个失败的解决方案

for n in range(5):
            A = tf.Variable(A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5]))

这又是一个非常糟糕的主意，因为你是在循环中创建变量。这样做足够多，你就会耗尽内存。但这甚至不会运行，因为你最终陷入了一个时髦的僵局。您正在尝试创建具有某些张量的变量，这些张量将在 Graph 执行时计算。要执行图形，您需要变量。

正确的方法

我能想到的最好的方法是返回更新操作并创建一个 TensorFlow 占位符。在运行会话的每次迭代中，您都会传递一个值（即当前迭代）。test_lossnn

def test_loss(n):

        m = tf.Variable(1)
        #n = 3

        A = tf.Variable(tf.zeros([10., 20., 30.]))
        B = tf.Variable(tf.ones([10., 20., 30.]))

        update = A[m+1:n+1, 10:12, 20:22].assign(B[m:n, 2:4, 3:5])        

        return update

with tf.Session() as sess:

    tf_n = tf.placeholder(shape=None, dtype=tf.int32, name='n')
    update_op = test_loss(tf_n)
    print(type(update_op))
    tf.global_variables_initializer().run()
    for n in range(5):
      print(1)
      #print(sess.run(update_op, feed_dict={tf_n: n}))

递归分配给 Tensorflow 中的变量切片

Recursively Assign to Variable Slices in Tensorflow

评论

第一个失败的解决方案

第二个失败的解决方案

正确的方法

评论