blocks|key|1120195|text|您可以使用gather和scatter_update的组合。下面是一个将位置0和2的值加倍的示例|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|1120196|indices+=+tf.constant([0,2])
data+=+tf.Variable([1,2,3])
data_subset+=+tf.gather(data,+indices)
updated_data_subset+=+2*data_subset
sparse_update+=+tf.scatter_update(data,+indices,+updated_data_subset)
init_op+=+tf.initialize_all_variables()

sess+=+tf.Session()
sess.run([init_op])
print+"Values+before:",+sess.run([data])
sess.run([sparse_update])
print+"Values+after:",+sess.run([data])|code-block|syntax|javascript|1120197|您应该会看到|1120198|Values+before:+[array([1,+2,+3],+dtype=int32)]
Values+after:+[array([2,+2,+6],+dtype=int32)]|1120199|entityMap^0|5|6|C|E|12|1|14|1|0|0|0|0^^$0|@$1|2|3|4|5|6|7|Q|8|@$9|R|A|S|B|C]|$9|T|A|U|B|C]|$9|V|A|W|B|C]|$9|X|A|Y|B|C]]|D|@]|E|$]]|$1|F|3|G|5|H|7|Z|8|@]|D|@]|E|$I|J]]|$1|K|3|L|5|6|7|10|8|@]|D|@]|E|$]]|$1|M|3|N|5|H|7|11|8|@]|D|@]|E|$I|J]]|$1|O|3|-4|5|6|7|12|8|@]|D|@]|E|$]]]|P|$]]

You could use a combination of <code>gather</code> and <code>scatter_update</code>. Here's an example that doubles the values at position <code>0</code> and <code>2</code>

<pre><code>indices = tf.constant([0,2])
data = tf.Variable([1,2,3])
data_subset = tf.gather(data, indices)
updated_data_subset = 2*data_subset
sparse_update = tf.scatter_update(data, indices, updated_data_subset)
init_op = tf.initialize_all_variables()

sess = tf.Session()
sess.run([init_op])
print "Values before:", sess.run([data])
sess.run([sparse_update])
print "Values after:", sess.run([data])
</code></pre>

You should see

<pre><code>Values before: [array([1, 2, 3], dtype=int32)]
Values after: [array([2, 2, 6], dtype=int32)]
</code></pre>

blocks|key|812745|text|最简单的方法是使用npvar+=+sess.run(tfvar)将tf.Variable拉入python+(作为一个numpy数组)，然后对其执行一些操作，如npvar[1,+2]+=+-10。然后，您可以使用sess.run(tfvar.assign(npvar))将修改后的数据上传回tensorflow。|type|unstyled|depth|inlineStyleRanges|offset|length|style|CODE|entityRanges|data|812746|显然，这是非常慢的，对训练没有什么用处，但它确实有效。|812747|entityMap^0|9|N|X|B|27|H|2X|T|0|0^^$0|@$1|2|3|4|5|6|7|J|8|@$9|K|A|L|B|C]|$9|M|A|N|B|C]|$9|O|A|P|B|C]|$9|Q|A|R|B|C]]|D|@]|E|$]]|$1|F|3|G|5|6|7|S|8|@]|D|@]|E|$]]|$1|H|3|-4|5|6|7|T|8|@]|D|@]|E|$]]]|I|$]]

Easiest way is to pull the <code>tf.Variable</code> into python (as a numpy array) using <code>npvar = sess.run(tfvar)</code>, then perform some operation on it such as <code>npvar[1, 2] = -10</code>. Then you can upload the modified data back into tensorflow using <code>sess.run(tfvar.assign(npvar))</code>.

Obviously this is very slow and not really useful for training but it does work.

blocks|key|1112978|text|#+in+TF2.0+you+can+solve+with+"tensor_scatter_nd_update"
#+for+example:
tensor+=+[0,+0,+0,+0,+0,+0,+0,+0]++#+tf.rank(tensor)+==+1
indices+=+[[1],+[3],+[4],+[7]]++#+num_updates+==+4,+index_depth+==+1
updates+=+[9,+10,+11,+12]++#+num_updates+==+4
print(tf.tensor_scatter_nd_update(tensor,+indices,+updates))
#+tf.Tensor([+0+9++0+10++11++0++0+12],+shape=(8,),+dtype=int32)|type|code-block|depth|inlineStyleRanges|entityRanges|data|syntax|javascript|1112979|unstyled|entityMap^0|0^^$0|@$1|2|3|4|5|6|7|G|8|@]|9|@]|A|$B|C]]|$1|D|3|-4|5|E|7|H|8|@]|9|@]|A|$]]]|F|$]]

<pre><code># in TF2.0 you can solve with &quot;tensor_scatter_nd_update&quot;
# for example:
tensor = [0, 0, 0, 0, 0, 0, 0, 0] # tf.rank(tensor) == 1
indices = [[1], [3], [4], [7]] # num_updates == 4, index_depth == 1
updates = [9, 10, 11, 12] # num_updates == 4
print(tf.tensor_scatter_nd_update(tensor, indices, updates))
# tf.Tensor([ 0 9 0 10 11 0 0 12], shape=(8,), dtype=int32)
</code></pre>

Does anyone know how to update a subset (i.e. only some indices) of the weights that are used in the forward propagation?

My guess is that I might be able to do that after applying compute_gradients as follows:

<pre><code>optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
grads_vars = optimizer.compute_gradients(loss, var_list=[weights, bias_h, bias_v])
</code></pre>

...and then do something with the list of tuples in <code>grads_vars</code>.

Update a subset of weights in TensorFlow

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

有人知道如何更新前向传播中使用的权重的子集(即只更新一些索引)吗？我的猜测是，在应用compute_gradients之后，我可能可以这样做，如下所示：optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)grads_vars...

问更新TensorFlow中的权重子集
EN

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问更新TensorFlow中的权重子集EN