TensorFlow工作函数处理数组：修改边界值时是引用还是复制？

Hey Elijah, great question—this depends entirely on what kind of array you're passing into your TensorFlow function, so let's break it down clearly:

情况1：传入的是TensorFlow张量（tf.Tensor） #

TensorFlow张量本质是不可变的——你无法原地修改它的值。任何看似“修改”张量的操作，实际上都会创建并返回一个全新的张量，原张量会完全保持不变。

这里有个直观的示例可以验证：

import tensorflow as tf

def modify_tensor_borders(input_tensor):
    # 将张量的第一行和最后一行替换为0
    modified = tf.concat([
        tf.zeros_like(input_tensor[:1]),
        input_tensor[1:-1],
        tf.zeros_like(input_tensor[-1:])
    ], axis=0)
    return modified

# 创建一个全1的原始张量
original_tensor = tf.ones((5, 5))
# 调用修改函数
modified_tensor = modify_tensor_borders(original_tensor)

# 查看结果
print("原张量完全未被修改:\n", original_tensor)
print("\n修改后的是全新的张量:\n", modified_tensor)

运行这段代码你会发现，原张量依旧是全1的状态，只有返回的新张量是修改后的结果。

情况2：传入的是NumPy数组（np.ndarray） #

NumPy数组是可变的，所以行为完全取决于你的函数写法：

• 如果直接原地修改数组（比如arr[0] = 0），原数组会被改动，因为函数拿到的是原数组的引用。
• 如果先创建数组的副本（比如new_arr = arr.copy()）再修改副本，原数组就不会受到影响。

示例1：原地修改（会改变原数组） #

import numpy as np

def modify_numpy_inplace(arr):
    # 直接修改原数组的边界
    arr[0, :] = 0
    arr[-1, :] = 0
    return arr

original_np = np.ones((5, 5))
modified_np = modify_numpy_inplace(original_np)

# 原数组已经被修改了！
print("原NumPy数组已被改动:\n", original_np)

示例2：修改副本（原数组不受影响） #

def modify_numpy_copy(arr):
    # 先创建副本
    new_arr = arr.copy()
    new_arr[0, :] = 0
    new_arr[-1, :] = 0
    return new_arr

original_np2 = np.ones((5, 5))
modified_np2 = modify_numpy_copy(original_np2)

# 原数组保持不变
print("原NumPy数组未被改动:\n", original_np2)
print("\n修改后的是全新的副本:\n", modified_np2)

额外说明：tf.Variable的特殊情况 #

如果你使用的是tf.Variable（一种封装张量的可变容器），可以通过assign()或assign_slice()这类方法原地修改它的值。但这是专门为模型权重这类可变状态设计的，不属于常规数据处理数组的范畴。

内容的提问来源于stack exchange，提问作者Elijah