tf.random.categorical结果异常，求实现TensorFlow版np.random.choice

嘿，我找到你代码里的问题啦！核心原因是TensorFlow 1.x中，每次调用eval()或sess.run()时，所有依赖的随机操作都会重新执行一次。

看你的代码流程：

• 当你执行sample_selected.eval()时，tf.random.categorical生成了索引3；
• 但当你接着执行sess.run(op)时，op依赖的sample_selected会再次触发tf.random.categorical，这次生成了新的随机索引1，所以p被赋值成了k[1]也就是1，和你之前打印的索引3完全不一致。

另外还有个小细节：你定义p的类型是tf.int32，但k默认是tf.int64（tf.convert_to_tensor处理整数列表时的默认类型），虽然TensorFlow会隐式转换，但最好保持类型一致，避免潜在的类型兼容问题。

方案1：固定随机索引，避免重复生成 #

通过tf.identity保存生成的随机索引，确保后续操作复用同一个值：

import numpy as np
import tensorflow as tf

selection_sample = [i for i in range(10)]  # 待选择的样本列表
k = tf.convert_to_tensor(selection_sample, dtype=tf.int64)

# 生成随机索引并固定下来
samples = tf.random.categorical(tf.math.log([[1, 0.5, 0.3, 0.6]]), 1)
sample_selected = tf.cast(samples[0][0], tf.int64)
fixed_sample_idx = tf.identity(sample_selected)  # 固定索引值，避免重复生成随机数

# 保持变量类型与k一致
p = tf.Variable(0, tf.int64)
assign_op = tf.assign(p, k[fixed_sample_idx])

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    # 先获取一次固定的索引
    selected_idx = sess.run(fixed_sample_idx)
    print(f"选中的索引：{selected_idx}")
    print(f"k的取值：{k.eval()}")
    # 执行赋值操作，复用之前的索引
    sess.run(assign_op)
    print(f"p的最终值：{p.eval()}")

方案2：一次性获取所有结果 #

通过一次sess.run()调用获取所有需要的张量，确保随机操作只执行一次：

import numpy as np
import tensorflow as tf

selection_sample = [i for i in range(10)]
k = tf.convert_to_tensor(selection_sample, dtype=tf.int64)

samples = tf.random.categorical(tf.math.log([[1, 0.5, 0.3, 0.6]]), 1)
sample_selected = tf.cast(samples[0][0], tf.int64)
p = tf.Variable(0, tf.int64)
assign_op = tf.assign(p, k[sample_selected])

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    # 一次性运行所有需要的张量，随机索引只生成一次
    selected_idx, k_vals, _, p_val = sess.run([sample_selected, k, assign_op, p])
    print(f"选中的索引：{selected_idx}")
    print(f"k的取值：{k_vals}")
    print(f"p的最终值：{p_val}")

额外提示：实现np.random.choice的更简洁方式 #

如果你的目标是完全模拟np.random.choice的功能，其实可以用tf.random.categorical结合权重，或者直接用tf.random.shuffle+切片，比如：

# 模拟np.random.choice(selection_sample, size=1, p=[0.25, 0.25, 0.25, 0.25])
weights = tf.constant([0.25, 0.25, 0.25, 0.25])
samples = tf.random.categorical(tf.math.log([weights]), num_samples=1)
selected = tf.gather(selection_sample, samples[0][0])

内容的提问来源于stack exchange，提问作者onexpeters