tf.concat 张量上的 tf.assign，丢弃张量的变量字符？

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，并在每一层的张量上进行适当的重塑和使用 tf.concat。

在我的代码的某个阶段，我检索了所述集合。但是，当我尝试 tf.assign （使用相同形状的 tf.placeholder）到这些连接张量时，以便从单个值向量设置所有权重/偏差，例如坐在 feed_dict 中，然后我得到错误

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

我已将我的问题归结为一个最小工作示例 (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失败并出现相同的错误。似乎 tf.concat 产生的张量不再是可变的，因此不具有 assign 属性。我发现了一个相关的问题here，但我的问题并没有按照那里的建议通过 validate_shape 解决。

有什么想法吗？这是期望的行为吗？

Answer 1

是的，这是一种设计行为，因为c 是一个操作，而不是一个变量。这是它最简单的版本：

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

基本上，这个图意味着节点c 依赖于a 和b 通过某些操作（concat，add，等等）。将其他值分配给 c 与来自 a 和 b 的值冲突，换句话说，它会破坏计算图。

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