TensorFlow中的张量值的条件分配

Question

我想在中复制以下numpy代码tensorflow。例如，我想为0所有先前具有值的张量索引分配a 1。

a = np.array([1, 2, 3, 1])
a[a==1] = 0

# a should be [0, 2, 3, 0]

如果我在其中编写类似的代码，tensorflow则会出现以下错误。

TypeError: 'Tensor' object does not support item assignment

方括号中的条件应为a[a<1] = 0。

有没有一种方法可以实现这种“条件赋值”（因为缺少更好的名称）tensorflow？

Answer 1

TensorFlow
API中提供了几种比较运算符。

但是，在直接操纵张量时，没有什么等效于简洁的NumPy语法。你必须要使用个人的comparison，where和assign运营商执行相同的操作。

您的NumPy示例的等效代码是这样的：

import tensorflow as tf

a = tf.Variable( [1,2,3,1] )    
start_op = tf.global_variables_initializer()    
comparison = tf.equal( a, tf.constant( 1 ) )    
conditional_assignment_op = a.assign( tf.where (comparison, tf.zeros_like(a), a) )

with tf.Session() as session:
    # Equivalent to: a = np.array( [1, 2, 3, 1] )
    session.run( start_op )
    print( a.eval() )    
    # Equivalent to: a[a==1] = 0
    session.run( conditional_assignment_op )
    print( a.eval() )

# Output is:
# [1 2 3 1]
# [0 2 3 0]

打印语句当然是可选的，它们只是用来演示代码是否正确执行。