为何tf.Variable用[0][0].assign报错，[0,0].assign却成功？

核心差异：索引返回的EagerTensor本质不同 #

虽然两种索引方式返回的类型都是EagerTensor，但它们和原tf.Variable的关联关系完全不同：

• changeAbleTensor[0][0]是两次独立索引操作：

  1. 第一次changeAbleTensor[0]会生成一个新的EagerTensor，它是原变量第一行的副本视图，已经和原变量的可更新绑定关系断开。
  2. 第二次对这个副本视图做[0]索引，得到的是脱离原变量的普通张量——普通张量是不可变的，自然没有assign方法（assign是tf.Variable专属的可更新接口）。

• changeAbleTensor[0,0]是一次多维切片索引：
  这种写法直接对原tf.Variable做多维定位，返回的EagerTensor是原变量对应位置的绑定视图，它依然保留着和原变量的关联，因此可以调用assign方法修改原变量的对应值。

直观验证方法 #

可以通过打印内部关联标识区分两者：

import tensorflow as tf
changeAbleTensor = tf.Variable([[10,9],[9,8]])

# 两次索引的结果
t1 = changeAbleTensor[0][0]
# 一次多维索引的结果
t2 = changeAbleTensor[0,0]

print(t1._handle)  # 报错，普通张量无_handle属性
print(t2._handle)  # 输出与原变量绑定的句柄

内容的提问来源于stack exchange，提问作者Muhammad Farras Ma'ruf