如何用索引替换张量中的值？

Question

以下代码通过索引向张量内的特定位置添加一些内容（感谢@mrry 的回答here）。

indices = [[1, 1]]  # A list of coordinates to update.
values = [1.0]  # A list of values corresponding to the respective
            # coordinate in indices.
shape = [3, 3]  # The shape of the corresponding dense tensor, same as `c`.
delta = tf.SparseTensor(indices, values, shape)

例如，给定这个 -

c = tf.constant([[0.0, 0.0, 0.0],
             [0.0, 0.0, 0.0],
             [0.0, 0.0, 0.0]])

它会在 [1, 1] 处加 1，结果是

[[0.0, 0.0, 0.0],
[0.0, 1.0, 0.0],
[0.0, 0.0, 0.0]])

问题 - 是否可以在特定位置替换值而不是在该位置添加？如果在 tensorflow 中不可以，在任何其他类似的库中是否可以？

例如，

鉴于此-

[[4.0, 43.1.0, 45.0],
[2.0, 22.0, 6664.0],
[-4543.0, 0.0, 43.0]])

有没有办法将 [1, 1] 处的 22 替换为（比如说）45，结果如下？

[[4.0, 43.1.0, 45.0],
[2.0, 45.0, 6664.0],
[-4543.0, 0.0, 43.0]])

Answer 1

这很笨重，但它确实替换了张量中的值。它基于您提到的this answer。

# inputs
inputs = tf.placeholder(shape = [None, None], dtype = tf.float32)  # tensor with values to replace
indices = tf.placeholder(shape = [None, 2], dtype = tf.int64)  # coordinates to be updated
values = tf.placeholder(shape = [None], dtype = tf.float32)  # values corresponding to respective coordinates in "indices"

# set elements in "indices" to 0's
maskValues = tf.tile([0.0], [tf.shape(indices)[0]])  # one 0 for each element in "indices"
mask = tf.SparseTensor(indices, maskValues, tf.shape(inputs, out_type = tf.int64))
maskedInput = tf.multiply(inputs, tf.sparse_tensor_to_dense(mask, default_value = 1.0))  # set values in coordinates in "indices" to 0's, leave everything else intact

# replace elements in "indices" with "values"
delta = tf.SparseTensor(indices, values, tf.shape(inputs, out_type = tf.int64))
outputs = tf.add(maskedInput, tf.sparse_tensor_to_dense(delta))  # add "values" to elements in "indices" (which are 0's so far)

它的作用：

1. 将需要替换的位置的输入元素设置为 0。
2. 将所需的值添加到这些 0 中（直接来自 here）。

通过运行检查：

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    ins = np.array([[4.0, 43.0, 45.0], [2.0, 22.0, 6664.0], [-4543.0, 0.0, 43.0]])
    ind = [[1, 1]]
    vals = [45]
    outs = sess.run(outputs, feed_dict = { inputs: ins, indices: ind, values: vals })
    print(outs)

输出：

[[ 4.000e+00  4.300e+01  4.500e+01]
 [ 2.000e+00  4.500e+01  6.664e+03]
 [-4.543e+03  0.000e+00  4.300e+01]]

与许多otherwise great answers 不同，这个功能超越了tf.Variable()s。

Answer 2

根据自己的值或索引更新张量的一个简单选项是使用tf.where 和tf.tensor_scatter_nd_update：

import tensorflow as tf

x = tf.constant([[4.0, 43.0, 45.0],
                 [2.0, 22.0, 6664.0],
                 [-4543.0, 0.0, 43.0]])
value = 45.0
indices = [1, 1]

by_indices = tf.tensor_scatter_nd_update(x, [indices], [value])
tf.print('Using indices\n', by_indices, '\n')

by_value = tf.where(tf.equal(x, 22.0), value, x)
tf.print('Using value\n', by_value)

Using indices
 [[4 43 45]
 [2 45 6664]
 [-4543 0 43]] 

Using value
 [[4 43 45]
 [2 45 6664]
 [-4543 0 43]]