浅谈tensorflow中张量的提取值和赋值

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

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

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

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。

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。

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

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

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

[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，）。

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。

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）。

indices.shape[:-1]+shape[indices.shape[-1]:]=(2,)+(4,4)=(2,4,4)

我们会得到这样子的张量

[[[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

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。

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, 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。

来源：https://blog.csdn.net/chr1991/article/details/93474638