这篇文章简单的讲一讲如何在TensorFlow里指定修改Variable类型张量指定坐标位置的值。
不得不吐槽TensorFlow的张量设计得蛋疼，明明支持下标和切片操作，却只支持到一半，只能读不能改。比如matrix是个二维的Variable，用matrix[x][y]下标，或者matrix[x1:x2][y1:y2]这样的切片能读取出指定位置或者范围的值，但是要是想局部更新一个张量可就没那么容易了。想写matrix[x][y] = 0？试试您就知道了0_0。（说它蛋疼是那是因为有对比，隔壁老李家MXNet的ndarray这么写就没得问题，溜溜的）
那莫，就只好曲线救国啦。首先搜StackOverflow，找到一篇回答How to update a subset of 2D tensor in Tensorflow?，大致的思路是，TensorFlow不让你直接单独改指定位置的值，但是留了个歪门儿，就是tf.scatter_update这个方法，它可以批量替换张量某一维上的所有数据。
照着这个思路改改，写出了第一版的解决方法。提取个函数的话，长成下面这个样子：
def set_value(matrix, x, y, val):
# 提取出要更新的行
row = tf.gather(matrix, x)
# 构造这行的新数据
new_row = tf.concat([row[:y], [val], row[y+1:]], axis=0)
# 使用 tf.scatter_update 方法进正行替换
matrix.assign(tf.scatter_update(matrix, x, new_row))
其中matrix是要更新的张量，x和y是目标坐标，val是要写入的值。其余的代码注释得很清楚了，不赘述。
问题解决，但是这么做有没什么缺点呢？有，那就是慢，特别是矩阵很大的时候，那是真心的慢。
继续想办法，TensorFlow是对张量运算（其实二维的就是矩阵运算）有速度优化的，能不能将张量修改的操作变成一个普通的张量运算呢？能，再构建一个差值张量然后做个加法，哎，又是一条旁门邪道。把刚刚的函数改改，参数不变，计算过程变成这样：
def set_value(matrix, x, y, val):
# 得到张量的宽和高，即第一维和第二维的Size
w = int(matrix.get_shape()[0])
h = int(matrix.get_shape()[1])
# 构造一个只有目标位置有值的稀疏矩阵，其值为目标值于原始值的差
val_diff = val - matrix[x][y]
diff_matrix = tf.sparse_tensor_to_dense(tf.SparseTensor(indices=[x, y], values=[val_diff], dense_shape=[w, h]))
# 用 Variable.assign_add 将两个矩阵相加
matrix.assign_add(diff_matrix)
注意在这个方法里面我用了一个tf.SparseTensor类型，这是一个TensorFlow里的稀疏张量（或者叫稀疏矩阵），构造它的时候只需要指定有值位置的内容，其余位置默认为0。这样一方面方便了差值张量的构造，另一方面大大的减少了内存的消耗（别忘了我们是要修改一个很大的矩阵）。
实测在我的场景下，后一种方法的效率大概提升了4倍。我的场景是什么呢？其实是cs20si课程作业1的第3题，具体的代码和上下文可以看Github仓库的这个文件。
最后，祝各位TF Boy/Girl们，Happy Hacking。
