Question

我想在某个索引处更新向量中的值。我发现tf.scatter_nd可以做我想做的事。但我正在批处理操作，以便我有一个数组batch_size*5，其中每一行都是我更新的大小为5的向量。我的batch_size是在运行时确定的。

在使用tf.scatter_nd时，形状参数采用张量，张量是要产生的张量的形状。但是，如果在运行时确定第一个维度（例如，如果它是批量大小），那么我会收到错误：

TypeError: Input 'shape' of 'ScatterNd' Op has type int32 that does not match type int64 of argument 'indices'.

此错误实际上是由于形状变量的值为[None，5]。即产生一个大小为batch_size*5的张量，用大小batch_size的更新进行更新并使用大小为'batch_size＆＃39;的标记。

如何在动态分配的空间上正确使用tf.scatter_nd（）？

Answer 1

您可以使用动态形状，例如tf.shape()

查看代码：

import tensorflow as tf 
import numpy as np

inputs = tf.placeholder(tf.int32, shape=[None, 5])

new_inputs = tf.scatter_nd(indices=[[0], [2]], 
                           updates=[[1,1,1,1,1], [1,1,1,1,1]],
                           shape=tf.shape(inputs))

with tf.Session() as sess:
    _new_np = sess.run(new_inputs, feed_dict={inputs: np.zeros([4, 5])})
print(_new_np)

这是你想要的吗？

使用具有动态分配值的形状的tf.scatter_nd（idx，update，shape）

1 个答案: