numpy - 在 Tensorflow 中进行基于切片的乘法的最有效方法

Question

我正在尝试执行将二维矩阵的切片乘以常数的运算。

例如，如果我想将除前两列之外的所有内容相乘

要在 numpy 中执行此操作，可以这样做:

a = np.array([[0,7,4],
              [1,6,4],
              [0,2,4],
              [4,2,7]])
a[:, 2:] = 2.0*a[:, 2:]

>> a
>> array([[ 0,  7,  8],
          [ 1,  6,  8],
          [ 0,  2,  8],
          [ 4,  2, 14]])

但是，至少从我的搜索来看，tensorflow 目前没有直接的方法来做到这一点。

我当前的解决方案是创建 a 最初作为两个单独的张量 a1 和 a2，将第二个张量乘以 2.0，然后将它们跨 axis=1 连接起来。操作非常简单，这是可能的。不过我有两个问题

1. 这是最有效的方法吗
2. 是否有更好的(通用/高效)方法来执行此操作，以使功能更接近 numpy 的切片魔法(也许 https://www.tensorflow.org/api_docs/python/tf/scatter_

Answer 1

一种选择是执行逐项乘法，如下所示:

import tensorflow as tf

a = tf.Variable(initial_value=[[0,7,4],[1,6,4],[0,2,4],[4,2,7]])
b = tf.mul(a,[1,1,2])

s=tf.InteractiveSession()
s.run(tf.global_variables_initializer())
b.eval()

这会打印

array([[ 0,  7,  8],
       [ 1,  6,  8],
       [ 0,  2,  8],
       [ 4,  2, 14]])

更一般地说，如果 a 有更多列，您可以执行类似的操作:

import tensorflow as tf

a = tf.Variable(initial_value=[[0,7,4],[1,6,4],[0,2,4],[4,2,7]])
b = tf.mul(a,[1,1]+[2 for i in range(a.get_shape()[1]-2)])

s=tf.InteractiveSession()
s.run(tf.global_variables_initializer())
b.eval()

或者，如果您的矩阵有很多列，您可以替换

b = tf.mul(a,[1,1]+[2 for i in range(a.get_shape()[1]-2)])

与

import numpy as np
b = tf.mul(a,np.concatenate((np.array([1,1]),2*np.ones(a.get_shape()[1]-2))))