使用Tensorflow实现数组的部分替换
简单描述一下场景：对于一个二维的整型张量，假设每一行是一堆独立的数，但是对于每一行的数，都有一个设定好的最小值的。我们需要做的是，对于每一行，找到第一次小于最小值的位置，并将该位置起直到行末部分的数字替换为0。是不是有点抽象？我们来举个例子，假设我们的二维整型张量为：
[[5 4 3 0 1]
[2 3 0 4 2]
[2 3 5 4 2]]我们设定的每行最小值为:
[[3],[2],[2]]则我们最终想要的结果是：
[[5 4 3 0 0]
[2 3 0 0 0]
[2 3 5 4 2]]解释一下，第一行最小值为2，index=3的位置是0，首次小于最小值，因此最后两位变成0，其他位置保持不变。对于其他两行来说也是一样的操作。
看似很简单？以下的实现方案可能比较笨重，如果大家有更好的方法，欢迎留言或者私信微信(sxw2251)，咱们一起交流！
tensorflow不能对张量进行直接赋值操作，如果你尝试修改一个tensor中的内容，会报下面的错误：
TypeError: 'Tensor' object does not support item assignment不能赋值操作大大限制了我的操作啊！不过，经过不懈的研究，上面的需求还是解决了！我们一起来看看实现步骤！
get_shape函数 我们先定义下面的函数，该函数可以返回一个tensor的形状,即使我们的tensor定义时某一维的形状定义为None：
def get_shape(tensor):
static_shape = tensor.shape.as_list()
dynamic_shape = tf.unstack(tf.shape(tensor))
dims = [s[1] if s[0] is None else s[0]
for s in zip(static_shape, dynamic_shape)]
return dims定义输入 我们有两个输入，一个是原始的二维张量，另一个是每一行的最小值：
choose = tf.placeholder(tf.int64,[None,5])
minValue = tf.placeholder(tf.int64,[None,1])
feed_dict = {
choose:[[5,4,3,0,1],[2,3,0,4,2],[2,3,5,4,2]],
minValue:[[3],[2],[2]]}得到每行第一个小于最小值的位置的索引 这里,我们首先判断每个位置的数是否小于最小值，如果小于最小值，返回1，大于等于最小值，返回0，那么使用arg_max函数就可以返回第一个小于最小值的位置的索引：
x = tf.tile(tf.reshape(tf.arg_max(tf.cast(choose<minValue,tf.int64),1),(-1,1)),[1,5])输出如下,第一行得到的索引是3，第二行得到的索引是2，第三行得到的索引是0：
[[3 3 3 3 3]
[2 2 2 2 2]
[0 0 0 0 0]]这里很容易忽略一种情况，返回是0的情况，此时我们无法判断是全部都大于等于最小值还是0索引对应的值小于最小值。因此我们还需要一个辅助条件，计算每行有多少个数是小于设定的最小值的:
y = tf.tile(tf.reduce_sum(tf.cast(choose<minValue,tf.int64),axis=1,keep_dims=True),[1,5])对于上面的计算，如果该行所有值都大于等于最小值，结果是0，否则，结果大于0，输出如下：
[[2 2 2 2 2]
[1 1 1 1 1]
[0 0 0 0 0]]得到最终结果
由于我们主要是根据索引去操作的，因此我们为每一个数创建一个索引，以便于我们通过索引进行数据的选择：
y = tf.tile(tf.reduce_sum(tf.cast(choose<minValue,tf.int64),axis=1,keep_dims=True),[1,5])
index = tf.tile(tf.expand_dims(tf.range(5,dtype=tf.int64),0),[get_shape(choose)[0],1])输出如下：
[[0 1 2 3 4]
[0 1 2 3 4]
[0 1 2 3 4]]激动人心的时刻到了，经过上面两步，我们已经万事俱备了，接下来，我们要做的事，就是根据索引之间的大小关系，要么从原数组里面选数，要么选择0。
result = tf.where(index<x,choose,tf.zeros_like(choose))得到的结果是:
[[5 4 3 0 0]
[2 3 0 0 0]
[0 0 0 0 0]]可以看到，前两行的结果是对的，但是第三行的结果是错的，这时候就需要我们刚才得到的辅助条件对结果进行修正了：
result = tf.where(index<x,choose,tf.zeros_like(choose)) + tf.where(tf.equal(y,0),choose,tf.zeros_like(choose))得到的结果如下：
[[5 4 3 0 0]
[2 3 0 0 0]
[2 3 5 4 2]]跟预想的一样，大功告成！ 如果还有简单的方法实现上面的需求，欢迎留言哟！
推荐阅读：强化学习系列
实战深度强化学习DQN-理论和实践
DQN三大改进(一)-Double DQN
DQN三大改进(二)-Prioritised replay
DQN三大改进(三)-Dueling Network
深度强化学习-Policy Gradient基本实现
深度强化学习-Actor-Critic算法原理和实现
深度强化学习-DDPG算法原理和实现
对抗思想与强化学习的碰撞-SeqGAN模型原理和代码解析
有关作者：
石晓文，中国人民大学信息学院在读研究生，美团外卖算法实习生
简书ID：石晓文的学习日记(https://www.jianshu.com/u/c5df9e229a67)
天善社区：https://www.hellobi.com/u/58654/articles
腾讯云：https://cloud.tencent.com/developer/user/1622140