python - tf.concat 张量上的 tf.assign，删除张量的可变字符？

Question

我正在尝试使用 Python API 为 Tensorflow 神经网络的权重和值设置特定值。为此，我将所有权重和偏差放置在一个公共(public)集合中，并进行适当的 reshape ，并对每层的张量使用tf.concat。

在我的代码的某个阶段，我检索所述集合。然而，当我尝试对这些连接的张量tf.assign(使用相同形状的 tf.placeholder)以便从单个值向量设置所有权重/偏差时，例如坐在 feed_dict 中，然后我收到错误

AttributeError: 'Tensor' object has no attribute 'assign'

我已将问题归结为最小工作示例(MWE)，如下所示:

import tensorflow as tf

a=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
b=tf.Variable(tf.random_uniform([2], dtype=tf.float32))
c=tf.concat([a,b], axis=0)

d_all=tf.placeholder(shape=[4], dtype=tf.float32)
d_single=tf.placeholder(shape=[2], dtype=tf.float32)

#e_all=tf.assign(c,d_all)
e_single=tf.assign(a,d_single)

sess=tf.Session()
sess.run(tf.global_variables_initializer())

print(a)
print(d_single)

sess.run(e_single, feed_dict={
    d_single: [1,2]
})

print(c)
print(d_all)

#sess.run(e_all, feed_dict={
#    d_all: [1,2,3,4]
#})

注释掉的行不起作用，并且会因相同的错误而失败。看来 tf.concat 产生的张量不再是变量，因此不具有分配属性。我发现了一个相关问题here ，但我的问题没有按照那里的建议通过 validate_shape 解决。

有什么想法吗？这是期望的行为吗？

Answer 1

是的，这是一种设计行为，因为c是一个操作，而不是一个变量。这是最简单的版本:

c = a + b
tf.assign(c, a)  # Does not work!

基本上，该图意味着节点 c 通过某些操作(连接、加法等)依赖于 a 和 b。为 c 分配其他值与来自 a 和 b 的值发生冲突，换句话说，它会破坏计算图。

您应该做的是将 d_all 拆分为形状 [2] 的张量，并分配底层 a 和 b。这种方式是完全有效的。