tf.nn.embedding_lookup的计算梯度

Question

import tensorflow as tf
types_lookup_table = tf.get_variable("types_lookup_table", shape=[234, 10],initializer=tf.random_normal_initializer(0, 1), dtype=tf.float32,
trainable=True)
embedding_types = tf.nn.embedding_lookup(types_lookup_table,[[2,3,4],[1,2,3]])
opt = tf.train.GradientDescentOptimizer(0.1)
gradients = tf.gradients(embedding_types, xs=types_lookup_table) 
train = opt.apply_gradients([(gradients[0], types_lookup_table)])
with tf.Session() as sess:
    tf.global_variables_initializer().run()
    h = sess.run(gradients)
    print(sess.run(train)) #right
    print(sess.run(opt.apply_gradients([(h[0],types_lookup_table)]))). # wrong

我尝试计算tf.nn.embedding_lookup的渐变，但显示的结果是带有3个元素的 IndexedSliceValue 。

但是相应的渐变（没有sess.run）是一个带有1个元素的indexSliceValue。我不知道为什么。

因此我无法

sess.run(opt.apply_gradients([(h[0],types_lookup_table)])  因为计算值的形状与_types_lookup_table_的形状不匹配，但是，当我没有计算中间值时，直接

sess.run(train) (ps:train = opt.apply_gradients([(gradients, types_lookup_table)]))

没有问题。

但我需要计算中间值并进行添加。我不知道怎么做。 感谢