¿Cómo funciona la indexación de tensorflow?

Question

Estoy teniendo problemas para entender un concepto básico con tensorflow. ¿Cómo funciona la indexación para las operaciones de lectura / escritura de tensor? Para concretar esto, ¿cómo se pueden traducir los siguientes ejemplos numpy a tensorflow (utilizando tensores para las matrices, índices y valores que se asignan)?

x = np.zeros((3, 4))
row_indices = np.array([1, 1, 2])
col_indices = np.array([0, 2, 3])
x[row_indices, col_indices] = 2
x

con salida:

array([[ 0.,  0.,  0.,  0.],
       [ 2.,  0.,  2.,  0.],
       [ 0.,  0.,  0.,  2.]])

... y ...

x[row_indices, col_indices] = np.array([5, 4, 3])
x

con salida:

array([[ 0.,  0.,  0.,  0.],
       [ 5.,  0.,  4.,  0.],
       [ 0.,  0.,  0.,  3.]])

... y finalmente ...

y = x[row_indices, col_indices]
y

con salida:

array([ 5.,  4.,  3.])

Answer 1

Hay un problema con Github #206 para apoyar esto bien, mientras que tienes que recurrir a soluciones verbales

El primer ejemplo se puede hacer con tf.select que combina dos tensores de la misma forma seleccionando cada elemento de uno u otro

tf.reset_default_graph()
row_indices = tf.constant([1, 1, 2])
col_indices = tf.constant([0, 2, 3])
x = tf.zeros((3, 4))
sess = tf.InteractiveSession()

# get list of ((row1, col1), (row2, col2), ..)
coords = tf.transpose(tf.pack([row_indices, col_indices]))

# get tensor with 1''s at positions (row1, col1),...
binary_mask = tf.sparse_to_dense(coords, x.get_shape(), 1)

# convert 1/0 to True/False
binary_mask = tf.cast(binary_mask, tf.bool)

twos = 2*tf.ones(x.get_shape())

# make new x out of old values or 2, depending on mask 
x = tf.select(binary_mask, twos, x)

print x.eval()

da

[[ 0.  0.  0.  0.]
 [ 2.  0.  2.  0.]
 [ 0.  0.  0.  2.]]

El segundo se podría hacer con scatter_update , excepto que scatter_update solo es compatible con índices lineales y funciona con variables. Así que podrías crear una variable temporal y usar la remodelación como esta. (Para evitar variables puedes usar dynamic_stitch , ve el final)

# get linear indices
linear_indices = row_indices*x.get_shape()[1]+col_indices

# turn ''x'' into 1d variable since "scatter_update" supports linear indexing only
x_flat = tf.Variable(tf.reshape(x, [-1]))

# no automatic promotion, so make updates float32 to match x
updates = tf.constant([5, 4, 3], dtype=tf.float32)

sess.run(tf.initialize_all_variables())
sess.run(tf.scatter_update(x_flat, linear_indices,  updates))

# convert back into original shape
x = tf.reshape(x_flat, x.get_shape())

print x.eval()

da

[[ 0.  0.  0.  0.]
 [ 5.  0.  4.  0.]
 [ 0.  0.  0.  3.]]

Finalmente el tercer ejemplo ya es compatible con gather_nd , tu escribes

print tf.gather_nd(x, coords).eval()

Llegar

[ 5.  4.  3.]

Editar, 6 de mayo

La actualización x[cols,rows]=newvals se puede hacer sin usar Variables (que ocupan la memoria entre las llamadas de ejecución de sesión) usando select con sparse_to_dense que toma el vector de valores dispersos, o confiando en dynamic_stitch

sess = tf.InteractiveSession()
x = tf.zeros((3, 4))
row_indices = tf.constant([1, 1, 2])
col_indices = tf.constant([0, 2, 3])

# no automatic promotion, so specify float type
replacement_vals = tf.constant([5, 4, 3], dtype=tf.float32)

# convert to linear indexing in row-major form
linear_indices = row_indices*x.get_shape()[1]+col_indices
x_flat = tf.reshape(x, [-1])

# use dynamic stitch, it merges the array by taking value either
# from array1[index1] or array2[index2], if indices conflict,
# the later one is used 
unchanged_indices = tf.range(tf.size(x_flat))
changed_indices = linear_indices
x_flat = tf.dynamic_stitch([unchanged_indices, changed_indices],
                           [x_flat, replacement_vals])
x = tf.reshape(x_flat, x.get_shape())
print x.eval()