Tensorflow索引二维矩阵更新

Question

我是机器学习编码的新手，也是使用Tensorflow编码的新手。

我正面临在Tensorflow中使用索引的问题。在简单的python和numpy中，这很容易，但在Tensorflow库中，我不知道如何制作它。

我想在一个例子的每个类中应用softmax函数，而不是在每一行的两个随机类中应用，并在特定索引(之前采取的随机类)的所有类的大矩阵(最初为零)中返回这些值。numpy中的算法更简单，因为可以使用简单的索引，但在tensorflow中我是这样认为的:

给定一个矩阵X:(NxD)和一个矩阵W:(KxD)，以及一个包含0到K-1之间两个随机数的数组rem_cl

S is an empty matrix
for every line in X
   take Wsamp = W[rem_cl] 
   mult = X[line] * Wsamp.T
   apply softmax on mult
   put those numbers in an array "s" of zeros (1xK) in the indexes of rem_cl
   append s in S

矩阵S的最终形状为(NxK)

到目前为止我所做的tensorflow代码是:

Xnp = np.array([[1,0,0,0,0],[1,0,1,0,0],[1,0,1,1,2],[4,2,1,0,0],[3,0,1,1,2],[1,2,1,0,0]], np.float32)
K = 4
W = tf.Variable(tf.random_uniform((K,5)))
rand = tf.random_uniform((),0,K-1, tf.int32)
s = tf.Variable(tf.zeros((K)))
S = tf.Variable(tf.zeros((K)))
for line in range(4):
    rem_cl = tf.constant([sess.run(rand),sess.run(rand)])   
    Wsampled = (tf.gather(W,rem_cl))
    mult = (tf.matmul(Xnp[line:line+1],Wsampled,transpose_b=True))
    mult = (tf.nn.softmax(mult)) 
    rem_cl = tf.reshape(rem_cl,(2,1))
    rem_cl = tf.transpose(rem_cl)
    k = sess.run(tf.scatter_update(s,rem_cl,mult))
    sess.run(s.assign(tf.zeros(K)))
    S = tf.pack([S,k], axis=0)

最后一行给出如下错误

形状必须是等号的，但是是2和1从合并形状0到其他形状。

我的问题是:1)首先，在Tensorflow中是否有更简单的方法来更新矩阵的数组指定值?2)如果不是，为什么会出现错误，或者更好地说，如何在现有矩阵上添加新行?

Answer 1

如果您使用Python循环，我会使用Python张量列表。如果你最终使用TensorFlow while_loop(有助于保持图形较小)，我会考虑使用TensorArray(或隐式使用它的高级循环结构之一，如scan())。

至于为了完成而出现的错误，我认为您需要concat，并为vector使用expand_dims。Pack添加一个维度，并要求其参数具有相同的形状。