tf.gather和gather_nd从params中收集数值，tf.scatter_nd 和 tf.scatter_nd_update用updates更新某一张量。严格上说，tf.gather_nd和tf.scatter_nd_update互为逆操作。
已知数值的位置，从张量中提取数值：tf.gather, tf.gather_nd
tf.gather indices每个元素（标量）是params某个axis的索引，tf.gather_nd 中indices最后一个阶对应于索引值。
tf.gather函数
函数原型
|
1
2
3
4
5
6
7
|
gather(
params,
indices,
validate_indices=None,
name=None,
axis=0
)
|
params是要查找的张量，indices是要查找值的索引（int32或int64），axis是查找轴，name是操作名。
如果indices是标量
如果indices是向量
如果indices是高阶张量
返回值：
该函数返回值类型与params相同，具体值是从params中收集过来的，形状为
tf.gather_nd函数
函数原型
|
1
2
3
4
5
|
gather_nd(
params,
indices,
name=None
)
|
indices是K阶张量，包含K-1阶的索引值。它最后一阶是索引，最后一阶维度必须小于等于params的秩。indices最后一阶的维数等于params的秩时，我们得到params的某些元素；indices最后一阶的维数小于params的秩时，我们得到params的切片。
输出张量的形状由indices的K-1阶和params索引到的形状拼接而成，如下面
|
1
|
indices.shape[:-1] + params.shape[indices.shape[-1]:]
|
参数：
params：被收集的张量。
indices：索引张量。必须是以下类型之一：int32，int64。
name：操作的名称(可选)。
返回值：
该函数返回一个张量.与params具有相同的类型。张量值从indices所给定的索引中收集，并且具有这样的形状：
已知赋值的位置，向张量赋值：tf.scatter_nd, tf.scatter_nd_update
tf.scatter_nd对零张量进行赋值，tf.scatter_nd_update对已有可变的张量进行赋值。
|
1
2
3
4
5
6
7
|
tf.scatter_nd函数
scatter_nd(
indices,
updates,
shape,
name=None
)
|
创建一个形状为shape的零张量，将updates赋值到indices指定的位置。
indices是整数张量，最内部维度对应于索引。
|
1
|
indices.shape[-1] <= shape.rank
|
如果indices.shape[-1] = shape.rank，那么indices直接对应到新张量的单个元素。如果indices.shape[-1] < shape.rank，那么indices中每个元素对新张量做切片操作。updates的形状应该如下所示
|
1
|
indices.shape[:-1] + shape[indices.shape[-1]:]
|
如果我们要把形状为（4，）的updates赋值给形状为（8，）的零张量，如下图所示。
我们需要这样子做
|
1
2
3
4
5
6
|
indices = tf.constant([[4], [3], [1], [7]])
updates = tf.constant([9, 10, 11, 12])
shape = tf.constant([8])
scatter = tf.scatter_nd(indices, updates, shape)
with tf.Session() as sess:
print(sess.run(scatter))
|
我们得到这样子的张量
|
1
|
[0, 11, 0, 10, 9, 0, 0, 12]
|
上面代码中，indices的形状是（4，1），updates的形状是（4，），shape的形状是（8，）。
|
1
|
indices.shape[:-1]+shape[indices.shape[-1]:] = (4,)+(,)=(4,)
|
如果我们要在三阶张量中插入两个切片，如下图所示，则应该像下面代码里所说的那样子做。
|
1
2
3
4
5
6
7
8
9
|
indices = tf.constant([[0], [2]])
updates = tf.constant([[[5, 5, 5, 5], [6, 6, 6, 6],
[7, 7, 7, 7], [8, 8, 8, 8]],
[[5, 5, 5, 5], [6, 6, 6, 6],
[7, 7, 7, 7], [8, 8, 8, 8]]])
shape = tf.constant([4, 4, 4])
scatter = tf.scatter_nd(indices, updates, shape)
with tf.Session() as sess:
print(sess.run(scatter))
|
indices的形状是（2，1），updates的形状是（2，4，4），shape的形状是（4，4，4）。
|
1
|
indices.shape[:-1]+shape[indices.shape[-1]:]=(2,)+(4,4)=(2,4,4)
|
我们会得到这样子的张量
|
1
2
3
4
|
[[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
[[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]],
[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
[[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]]
|
函数参数
indices：Tensor；必须是以下类型之一：int32,int64；索引值张量。
updates：Tensor；分散到输出的更新。
shape：Tensor；必须与indices具有相同的类型；1-d；得到的张量的形状。
name：操作的名称(可选)。
返回值
此函数返回一个Tensor,它与updates有相同的类型；一个有shape形状的新张量，初始化值为0，部分值根据indices用updates进行更新。
tf.scatter_nd_update函数
函数原型
|
1
2
3
4
5
6
7
|
scatter_nd_update(
ref,
indices,
updates,
use_locking=True,
name=None
)
|
scatter_nd_update也是把updates里面的值根据indices赋值到另外一个张量中，与scatter_nd不同的是，它是赋值到ref。
ref是秩为P的张量，indices是秩为Q的张量。
indices是整数类型的张量，必须具有这样的形状
。
indices最内部的维度对应于ref的某个元素或切片。
updates的形状是
，是秩为Q-1+P-K的张量。
如果我们想要把（4，）的向量赋值到（8，）的ref中，我们可以像下面这样子操作。
|
1
2
3
4
5
6
|
ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8])
indices = tf.constant([[4], [3], [1] ,[7]])
updates = tf.constant([9, 10, 11, 12])
update = tf.scatter_nd_update(ref, indices, updates)
with tf.Session() as sess:
print sess.run(update)
|
我们可以得到这样的ref
|
1
|
[1, 11, 3, 10, 9, 6, 7, 12]
|
函数参数
ref：一个可变的Tensor。
indices：一个 int32 或 int64 Tensor；一个对ref进行索引的张量.
updates：一个Tensor.必须与ref具有相同的类型；更新值张量.
use_locking：可选的bool；如果为True,则赋值将受锁定的保护；否则行为是不确定的,但可能表现出较少的争用.
name：操作的名称(可选).
返回值：
经过更新的ref。
以上这篇浅谈tensorflow中张量的提取值和赋值就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/chr1991/article/details/93474638