tf.assign 在 tf.concat 张量上，丢弃张量的变量特征？

Question

我正在尝试使用 Python API 为 Tensorflow 神经网络的权重和值设置特定值。为此，我将所有权重和偏差放在一个公共集合中，并进行适当的重塑，并对每一层的张量使用 tf.concat。

在我的代码的某个阶段，我检索了所述集合。但是，当我然后尝试 tf.assign （使用相同形状的 tf.placeholder ）到这些连接的张量以便从中设置所有 weights/biases单个值向量，例如坐在feed_dict，然后我得到错误

AttributeError: 'Tensor' object has no attribute 'assign'

我已将我的问题归结为最小工作示例 (MWE)，如下所示：

import tensorflow as tf

a=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
b=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
c=tf.concat([a,b], axis=0)

d_all=tf.placeholder(shape=[4], dtype=tf.float32)
d_single=tf.placeholder(shape=[2], dtype=tf.float32)

#e_all=tf.assign(c,d_all)
e_single=tf.assign(a,d_single)

sess=tf.Session()
sess.run(tf.global_variables_initializer())

print(a)
print(d_single)

sess.run(e_single, feed_dict={
    d_single: [1,2]
})

print(c)
print(d_all)

#sess.run(e_all, feed_dict={
#    d_all: [1,2,3,4]
#})

注释掉的行不起作用，并因同样的错误而失败。似乎 tf.concat 产生的张量不再是可变的，因此没有赋值属性。我发现了一个相关问题 here，但我的问题并没有按照那里的建议被 validate_shape 解决。

有什么想法吗？这是期望的行为吗？

Answer 1

是的，这是设计的行为，因为 c 是一个操作，而不是一个变量。这是最简单的版本：

c = a + b
tf.assign(c, a)  # Does not work!

基本上，该图意味着节点 c 通过某些操作（连接、加法等）依赖于 a 和 b。将其他值分配给 c 与来自 a 和 b 的值冲突，换句话说，它破坏了计算图。

您应该做的是将 d_all 拆分为形状 [2] 的张量，并分配基础 a 和 b。这种方式完全有效。

tf.assign 在 tf.concat 张量上，丢弃张量的变量特征？

tf.assign on tf.concat tensor, drops Variable character of tensors?

python

concat

assign

tensorflow