Tensorflow：如何修改张量中的值

Question

由于在使用Tensorflow训练模型之前需要对数据进行一些预处理，因此需要对tensor进行一些修改。但是，我不知道如何像使用numpy 那样修改tensor 中的值。

最好的方法是直接修改tensor。然而，在当前版本的 Tensorflow 中似乎不可能。另一种方法是将进程的 tensor 更改为 ndarray，然后使用 tf.convert_to_tensor 更改回来。

关键是如何把tensor改成ndarray。
1) tf.contrib.util.make_ndarray(tensor): https://www.tensorflow.org/versions/r0.8/api_docs/python/contrib.util.html#make_ndarray
根据文档，这似乎是最简单的方法，但我在当前版本的 Tensorflow 中找不到此功能。其次，它的输入是 TensorProto 而不是 tensor.
2) 使用a.eval()复制a到另一个ndarray
然而，它仅适用于在笔记本中使用 tf.InteractiveSession() 。

一个带有代码的简单案例如下所示。此代码的目的是使 tfc 在处理后具有与 npc 相同的输出。

提示
你应该认为 tfc 和 npc 是相互独立的。这满足了最初检索到的训练数据是 tensor 格式和 tf.placeholder() 的情况。

源代码

import numpy as np
import tensorflow as tf
tf.InteractiveSession()

tfc = tf.constant([[1.,2.],[3.,4.]])
npc = np.array([[1.,2.],[3.,4.]])
row = np.array([[.1,.2]])
print('tfc:\n', tfc.eval())
print('npc:\n', npc)
for i in range(2):
    for j in range(2):
        npc[i,j] += row[0,j]

print('modified tfc:\n', tfc.eval())
print('modified npc:\n', npc)

输出：

tfc:
[[ 1. 2.]
[ 3. 4.]]
全国人大：
[[ 1. 2.]
[ 3. 4.]]
修改后的 tfc:
[[ 1. 2.]
[ 3. 4.]]
修改过的npc：
[[ 1.1 2.2]
[ 3.1 4.2]]

Answer 1

使用赋值和求值（或sess.run）赋值：

import numpy as np
import tensorflow as tf

npc = np.array([[1.,2.],[3.,4.]])
tfc = tf.Variable(npc) # Use variable 

row = np.array([[.1,.2]])

with tf.Session() as sess:   
    tf.initialize_all_variables().run() # need to initialize all variables

    print('tfc:\n', tfc.eval())
    print('npc:\n', npc)
    for i in range(2):
        for j in range(2):
            npc[i,j] += row[0,j]
    tfc.assign(npc).eval() # assign_sub/assign_add is also available.
    print('modified tfc:\n', tfc.eval())
    print('modified npc:\n', npc)

它输出：

tfc:
 [[ 1.  2.]
 [ 3.  4.]]
npc:
 [[ 1.  2.]
 [ 3.  4.]]
modified tfc:
 [[ 1.1  2.2]
 [ 3.1  4.2]]
modified npc:
 [[ 1.1  2.2]
 [ 3.1  4.2]]

Answer 2

我为此苦苦挣扎了一段时间。给出的答案将向图中添加 assign 操作（因此如果您随后保存检查点，则不必要地增加 .meta 的大小）。更好的解决方案是使用 tf.keras.backend.set_value。可以通过以下方式使用原始张量流来模拟：

    for x, value in zip(tf.global_variables(), values_npfmt):
      if hasattr(x, '_assign_placeholder'):
        assign_placeholder = x._assign_placeholder
        assign_op = x._assign_op
      else:
        assign_placeholder = array_ops.placeholder(tf_dtype, shape=value.shape)
        assign_op = x.assign(assign_placeholder)
        x._assign_placeholder = assign_placeholder
        x._assign_op = assign_op
      get_session().run(assign_op, feed_dict={assign_placeholder: value})

Tensorflow：如何修改张量中的值

Tensorflow: How to modify the value in tensor

python

numpy

tensorflow