TensorFlow 2.0张量切片与更新：PyTorch转译报错求助

原PyTorch代码 #

def __getitem__(self, idx):
    mask = torch.from_numpy(self.mask[idx])
    input_seq = torch.zeros(self.dataset[idx].shape,
                                dtype=torch.float32)
    input_seq[1:, :] = torch.from_numpy(self.dataset[idx, :-1, :])
    target = torch.from_numpy(self.dataset[idx])
    return (input_seq, target, mask)

出错的TensorFlow实现及错误 #

def __getitem__(self, idx):
    mask = tf.convert_to_tensor(self.mask[idx])
    input_seq = tf.zeros(self.dataset[idx].shape,
                                dtype=tf.float32)
    input_seq[1:, :] = tf.convert_to_tensor(self.dataset[idx, :-1, :])
    target = tf.convert_to_tensor(self.dataset[idx])
    return (input_seq, target, mask)

错误信息：

'tensorflow.python.framework.ops.EagerTensor' object does not support item assignment

解决方法 #

TensorFlow中的EagerTensor是不可变对象，无法像PyTorch张量那样直接进行切片赋值。可以通过tf.concat直接构造符合要求的input_seq，替代赋值逻辑：

def __getitem__(self, idx):
    mask = tf.convert_to_tensor(self.mask[idx])
    # 获取当前样本的形状
    seq_len, feat_dim = self.dataset[idx].shape
    # 构造第一行全0张量
    zero_row = tf.zeros((1, feat_dim), dtype=tf.float32)
    # 转换数据集切片为TensorFlow张量
    dataset_slice = tf.convert_to_tensor(self.dataset[idx, :-1, :], dtype=tf.float32)
    # 拼接得到input_seq
    input_seq = tf.concat([zero_row, dataset_slice], axis=0)
    target = tf.convert_to_tensor(self.dataset[idx])
    return (input_seq, target, mask)

原理说明 #

原PyTorch逻辑是初始化全0张量后，将第1行及以后的部分替换为数据集的前seq_len-1行。用tf.concat可以直接把全0的首行和数据集切片拼接，一步得到目标张量，避免了对不可变张量的赋值操作，同时逻辑更直观高效。

内容的提问来源于stack exchange，提问作者Aryan Vijaywargia