问题的总结，在tensorflow中是否支持这种切片然后赋值？
out[tf_a2[y],x[:,None]] = tf_a1[tf_a2[y],x[:,None]]
final = out[:-1]
举个例子，我有一个这样的张量：
tf_a1 = tf.Variable([ [9.968594, 8.655439, 0., 0. ],
[0., 8.3356, 0., 8.8974 ],
[0., 0., 6.103182, 7.330564 ],
[6.609862, 0., 3.0614321, 0. ],
[9.497023, 0., 3.8914037, 0. ],
[0., 8.457685, 8.602337, 0. ],
[0., 0., 5.826657, 8.283971 ],
[0., 0., 0., 0. ]])
我有一个：
tf_a2 = tf.constant([[1, 2, 5],
[1, 4, 6],
[0, 7, 7],
[2, 3, 6],
[2, 4, 7]])
现在，我想将元素（它们的索引）的n个（这里n为2）的组合的值tf_a1保留在tf_a2中。什么意思？
例如，在tf_a1的第一列中，具有值的索引为：（0,3,4）。 tf_a2中是否有包含以下两个索引的任意组合的行：（0,3），（0,4）或（3,4）。实际上，没有这样的行。因此该列中的所有元素都变为零。
tf_a1中第二列的索引为（0,1）（0,5）（1,5）。如您所见，记录（1,5）在第一行的tf_a2中可用。这就是为什么我们将这些保留在tf_a1中的原因。
这是正确的numpy代码：
y,x = np.where(np.count_nonzero(a1p[a2], axis=1) >= n)
out = np.zeros_like(tf_a1)
out[tf_a2[y],x[:,None]] = tf_a1[tf_a2[y],x[:,None]]
final = out[:-1]
这是此numpy代码的预期输出（但我在tensorflow中需要此输出）：
[[0. 0. 0. 0. ]
[0. 8.3356 0. 8.8974 ]
[0. 0. 6.103182 7.330564 ]
[0. 0. 3.0614321 0. ]
[0. 0. 3.8914037 0. ]
[0. 8.457685 8.602337 0. ]
[0. 0. 5.826657 8.283971 ]]
tensorflow代码应该是这样的：
y, x = tf.where(tf.count_nonzero(tf.gather(tf_a1, tf_a2, axis=0), axis=1) >= n)
out = tf.zeros_like(tf_a1)
out[tf_a2[y],x[:,None]] = tf_a1[tf_a2[y],x[:,None]]
final = out[:-1]
这部分代码tf.gather(tf_a1, tf_a2, axis=0), axis=1)的工作就像切成tf_a1[tf_a2]
更新1
唯一行无效的行：
out[tf_a2[y],x[:,None]] = tf_a1[tf_a2[y],x[:,None]]
final = out[:-1]
任何想法我怎么能在tensorflow中做到这一点，张量对象中是否完全支持这种切片？
感谢您的帮助：）