8 tensorflow修改tensor张量矩阵的某一列

1.tensorflow的数据流图限制了它的tensor是只读属性，因此对于一个Tensor（张量）形式的矩阵，想修改特定位置的元素，比较困难。

2.我要做的是将所有的操作定义为符号形式的操作。也就是抽象概念的数据流图。当用feed_dict传入具体值以后，就能用sess.run读出具体值。

一、相关内容

https://blog.csdn.net/Cerisier/article/details/79584851

Tensorflow小技巧整理：修改张量特定元素的值

二、修改矩阵的某一列

代码：

# -*- coding: utf-8 -*-
"""
Created on Sat Dec  1 16:53:26 2018

@author: a
"""
import tensorflow as tf
x = tf.placeholder(tf.float32, shape=(2, 2), name="input")
xx=tf.zeros([2,3],tf.float32)
xx2=tf.concat([x,xx],axis=1)
columnTensor=tf.ones([2,1],tf.float32)
print (xx2)
w1= tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1),trainable=False)
w2= tf.Variable(xx2,trainable=False)
#编写程序修改Tensor矩阵的某一列
embed_size=300
max_sentence_length=50
max_node_size=max_sentence_length*2-1#训练语料库句子节点的最大长度。注意，是句子节点的最大长度。不是句子单词的最大数目。
#test=tf.Variable(name="test",trainable=False,dtype=tf.float64,shape=[embed_size,max_node_size])
def modify_one_column(tensor,columnTensor,index):#index也是tensor
#tensor为二维矩阵
#columnTensor的维度就是tensor中的一列
    numlines=tensor.shape[0].value #行数
    numcolunms=tensor.shape[1].value #列数
    new_tensor_left=tf.slice(tensor, [0, 0], [numlines, index])
    new_tensor_right=tf.slice(tensor, [0, index+1], [numlines, numcolunms-(index+1)])
    new_tensor=tf.concat([new_tensor_left,columnTensor,new_tensor_right],1)
    return new_tensor_left,new_tensor_right,new_tensor
#    def f1():#index为0的情形
#        new_tensor_right=tf.slice(tensor, [0, 1], [numlines, numcolunms-1])
#        new_tensor=tf.concat([columnTensor,new_tensor_right],1)
#        return new_tensor
#    if (tf.equal(index,0)):
#        new_tensor_right=tf.slice(tensor, [0, 1], [numlines, numcolunms-1])
#        new_tensor=tf.concat([columnTensor,new_tensor_right],1)
#        return new_tensor

sess = tf.Session()
init_op = tf.global_variables_initializer()
#print(sess.run(x, feed_dict={x: [[0.7,0.9]]}))
sess.run(init_op,feed_dict={x: [[0.7,0.9],[80.0,90.0]]})
print (sess.run((w1,w2)))
print (w2)
for index in range(5):
    index_tensor=tf.constant(index,tf.int32)
    new_tensor_left,new_tensor_right,w22=modify_one_column(w2,columnTensor,index_tensor)
    print (sess.run([new_tensor_left,columnTensor,new_tensor_right,w22]))
for index in range(5):
    index_tensor=tf.constant(index,tf.int32)
    new_tensor_left,new_tensor_right,w2=modify_one_column(w2,columnTensor,index_tensor)
    print (sess.run([new_tensor_left,columnTensor,new_tensor_right,w2]))
#print (sess.run(w2,feed_dict={x: [[0.7,0.9]]}))

要注意的是：for循环中传入的是index_tensor而不是index。也就是定义的所有操作都是符号上的操作。这是写tensorflow计算图要遵循的一个重要原则。

上述第二个代码的for循环会在index=1的时候报错。这是因为index=0的时候，w2还是一个固定shape的Tensor矩阵。但是当执行完一次如下代码以后

new_tensor_left,new_tensor_right,w2=modify_one_column(w2,columnTensor,index_tensor)

w2的shape会变成(2,?)，这是因为第一次调用modify_one_column中执行的时候，传入的index_tensor是一个Tensor，就会导致函数体内的new_tensor_left和new_tensor_right等的列数都变成了Tensor，即?，也就导致最后返回的new_tensor的列数也是Tensor，即？。

因此，第二次调用modify_one_column执行的时候，计算numcolunms=tensor.shape[1].value时得到的numcolunms是None。因此程序会报出：

ipdb> ValueError: None values not supported.

三、总结

第一，被修改的tensor矩阵用tf.variable保存，并且指定trainable=false，并且是根据tf.place_holder的数据流构建。这样的话，我们执行

init_op = tf.global_variables_initializer()
#print(sess.run(x, feed_dict={x: [[0.7,0.9]]}))
sess.run(init_op,feed_dict={x: [[0.7,0.9],[80.0,90.0]]})

以后就可以将被修改的tensor矩阵与输入之间建立直接的关联。

不用tf.constant的原因是，tf.constant不能根据tf.place_hodler的数据流构建。tf.constant的函数说明如下，可以看到，其不能基于Tensor构建Tensor。

而tf.variable可以基于Tensor构建tensor。也就是接受tensor数据输入，然后variable节点输出tensor数据。（传入的Tensor必须是shape specified。否则不能作为tf.Variable的参数）

第二，如果反复对一个矩阵的列进行修改，正如上述代码第二个for循环，通过反复运算，能够将矩阵的每一列都变成[1,1]。这个时候，要记住，一定要在第一次将被修改矩阵的行数和列数保存下来，而不是每一次在循环体内进行计算。

因为循环体内对矩阵某一列进行修改，实际上是一个只读的操作，也就是取出被修改列前，被修改列后，然后要修改成的列，拼接而成。这样的话，截取这个矩阵的时候，就会导致列数变成了？，也就是不能确定具体多少列。

如此以来，下一次循环体内如果还想计算列数，就比较困难。

为什么会导致这样。这是因为我传入的index就是一个Tensor。也就是矩阵哪一列被修改，我传入的是Tensor。这就导致了tf.slice切片以后的输出矩阵的列数仍然是一个tensor。

为什么我要传入Tensor，而不是一个具体的值。这是因为我有一个任务需求，是根据实际传入的place_holder的input数据的值，去索引tensor矩阵。但是在构建计算图的时候，这个数据是不知道的，是个tensor。所以，我定义的操作都是在符号上进行的。

上述for循环代码修改如下：

def modify_one_column(tensor,columnTensor,index,numlines,numcolunms):#index也是tensor
#tensor为二维矩阵
#columnTensor的维度就是tensor中的一列
    new_tensor_left=tf.slice(tensor, [0, 0], [numlines, index])
    new_tensor_right=tf.slice(tensor, [0, index+1], [numlines, numcolunms-(index+1)])
    new_tensor=tf.concat([new_tensor_left,columnTensor,new_tensor_right],1)
    return new_tensor_left,new_tensor_right,new_tensor

sess = tf.Session()
init_op = tf.global_variables_initializer()
#print(sess.run(x, feed_dict={x: [[0.7,0.9]]}))
sess.run(init_op,feed_dict={x: [[0.7,0.9],[80.0,90.0]]})
print (sess.run((w1,w2)))
print (w2)

numlines=w2.shape[0].value
numcolunms=w2.shape[1].value
for index in range(5):
    index_tensor=tf.constant(index,tf.int32)
    new_tensor_left,new_tensor_right,w2=modify_one_column(w2,columnTensor,index_tensor,numlines,numcolunms)
    print (sess.run([new_tensor_left,columnTensor,new_tensor_right,w2]))

最后一次for循环结束时的输出如下：

可以看到，每一列都依次被修改了。

我们还可以将numlines等具体值也变为tensor，如下：

numlines_tensor=tf.constant(numlines,tf.int32)
numcolunms_tensor=tf.constant(numcolunms,tf.int32)