Atualizar valores de uma variável de matriz no fluxo tensor, indexação avançada
Eu gostaria de criar uma função que, para cada linha de um dado dado X, aplique a função softmax apenas a algumas classes amostradas, digamos 2, do total de K classes. Em python simples, o código se parece com isso:
def softy(X,W, num_samples):
N = X.shape[0]
K = W.shape[0]
S = np.zeros((N,K))
ar_to_sof = np.zeros(num_samples)
sampled_ind = np.zeros(num_samples, dtype = int)
for line in range(N):
for samp in range(num_samples):
sampled_ind[samp] = randint(0,K-1)
ar_to_sof[samp] = np.dot(X[line],np.transpose(W[sampled_ind[samp]]))
ar_to_sof = softmax(ar_to_sof)
S[line][sampled_ind] = ar_to_sof
return S
Finalmente, S conteria zeros e valores diferentes de zero nos índices definidos para cada linha pela matriz "samped_ind". Eu gostaria de implementar isso usando o Tensorflow. O problema é que ele contém indexação "avançada" e não consigo encontrar uma maneira de usar essa biblioteca para criar isso.
Estou tentando isso usando este código:
S = tf.Variable(tf.zeros((N,K)))
tfx = tf.placeholder(tf.float32,shape=(None,D))
wsampled = tf.placeholder(tf.float32, shape = (None,D))
ar_to_sof = tf.matmul(tfx,wsampled,transpose_b=True)
softy = tf.nn.softmax(ar_to_sof)
r = tf.random_uniform(shape=(), minval=0,maxval=K, dtype=tf.int32)
...
for line in range(N):
sampled_ind = tf.constant(value=[sess.run(r),sess.run(r)],dtype= tf.int32)
Wsampled = sess.run(tf.gather(W,sampled_ind))
sess.run(softy,feed_dict={tfx:X[line:line+1], wsampled:Wsampled})
Tudo funciona até aqui, mas não consigo encontrar uma maneira de fazer a atualização que desejo na matriz S, no código python "S [linha] [sampled_ind] = ar_to_sof".
Como eu poderia fazer isso funcionar?