在Tensorflow中如何替换二维张量中的行

Question

这里是我问题的一个例子。

origin_embeddings = tf.constant([[1.1,2.2,3.3], 
                                 [4.4, 5.5, 6.6], 
                                 [7.7, 8.8, 9.9],
                                 [10.10, 11.11, 12.12]]) # 4 * 3

indice_updated_embeddings= tf.constant([[1.0, 2.0, 3.0], 
                                        [4.0, 5.0, 6.0]]) #  2 * 3

indices = tf.constant([1,3], dtype=tf.int32)

new_embeddings = tf.constant([[1.1, 2.2, 3.3],
                          [1.0, 2.0, 3.0], # rows=1, indice_updated_embeddings[0]
                          [7.7, 8.8, 9.9],
                          [4.0, 5.0, 6.0] # rows=3, indice_updated_embeddings[1]
                         ])

创建一个新的嵌入矩阵，由原始嵌入的某些行(而不是索引中的)和更新的嵌入的一些行(在索引中)组成。

在Numpy中，很容易实现以下功能：

origin_embeddings[indices] = indice_updated_embeddings # in-place
new_embeddings = np.put(origin_embeddings, indices, indice_updated_embeddings) # create a new matrix

我想要像“numpy”中的“put”函数。

我尝试过tf.where方法，但这并不容易。

Answer 1

如果您没有使用旧版本的TensorFlow，则可以使用tf.tensor_scatter_nd_update进行此操作。

import tensorflow as tf

origin_embeddings = tf.constant([[ 1.1 ,  2.2 ,  3.3 ], 
                                 [ 4.4 ,  5.5 ,  6.6 ], 
                                 [ 7.7 ,  8.8 ,  9.9 ],
                                 [10.10, 11.11, 12.12]]) # 4 * 3
indice_updated_embeddings= tf.constant([[1.0, 2.0, 3.0], 
                                        [4.0, 5.0, 6.0]]) #  2 * 3
indices = tf.constant([1, 3], dtype=tf.int32)

new_embeddings = tf.tensor_scatter_nd_update(origin_embeddings,
                                             tf.expand_dims(indices, 1),
                                             indice_updated_embeddings)
tf.print(new_embeddings)
# [[1.1 2.2 3.3]
#  [1 2 3]
#  [7.7 8.8 9.9]
#  [4 5 6]]

在tf.tensor_scatter_nd_update不可用的旧版本中，您可以这样做：

import tensorflow as tf

origin_embeddings = tf.constant([[1.1,2.2,3.3], 
                                 [4.4, 5.5, 6.6], 
                                 [7.7, 8.8, 9.9],
                                 [10.10, 11.11, 12.12]]) # 4 * 3
indice_updated_embeddings= tf.constant([[1.0, 2.0, 3.0], 
                                        [4.0, 5.0, 6.0]]) #  2 * 3
indices = tf.constant([1, 3], dtype=tf.int32)

indices2 = tf.expand_dims(indices, 1)
s = tf.shape(origin_embeddings)
mask = tf.scatter_nd(indices2, tf.ones_like(indices2, tf.bool), [s[0], 1])
updates = tf.scatter_nd(indices2, indice_updated_embeddings, s)
new_embeddings = tf.where(mask, updates, origin_embeddings)
tf.print(new_embeddings)
# [[1.1 2.2 3.3]
#  [1 2 3]
#  [7.7 8.8 9.9]
#  [4 5 6]]