该函数返回一个张量.与params具有相同的类型。张量值从indices所给定的索引中收集，并且具有这样的形状：

已知赋值的位置，向张量赋值：tf.scatter_nd,tf.scatter_nd_update

tf.scatter_nd对零张量进行赋值，tf.scatter_nd_update对已有可变的张量进行赋值。

tf.scatter_nd函数
scatter_nd(
 indices,updates,shape,name=None
)

创建一个形状为shape的零张量，将updates赋值到indices指定的位置。

indices是整数张量，最内部维度对应于索引。

indices.shape[-1] <= shape.rank

如果indices.shape[-1] = shape.rank，那么indices直接对应到新张量的单个元素。如果indices.shape[-1] < shape.rank，那么indices中每个元素对新张量做切片操作。updates的形状应该如下所示

indices.shape[:-1] + shape[indices.shape[-1]:]

如果我们要把形状为（4，）的updates赋值给形状为（8，）的零张量，如下图所示。

我们需要这样子做

indices = tf.constant([[4],[3],[1],[7]])
updates = tf.constant([9,10,11,12])
shape = tf.constant([8])
scatter = tf.scatter_nd(indices,shape)
with tf.Session() as sess:
 print(sess.run(scatter))

我们得到这样子的张量@H_404_4@

[0,9,12]

indices.shape[:-1]+shape[indices.shape[-1]:] = (4,)+(,)=(4,)

indices = tf.constant([[0],[2]])
updates = tf.constant([[[5,5,5],[6,6,6],[7,7,7],[8,8,8]],[[5,8]]])
shape = tf.constant([4,4,4])
scatter = tf.scatter_nd(indices,shape)
with tf.Session() as sess:
 print(sess.run(scatter))

indices.shape[:-1]+shape[indices.shape[-1]:]=(2,)+(4,4)=(2,4)

[[[5,[[0,0],[0,0]],0]]]

scatter_nd_update(
 ref,use_locking=True,name=None
)

ref = tf.Variable([1,2,3,8])
indices = tf.constant([[4],12])
update = tf.scatter_nd_update(ref,updates)
with tf.Session() as sess:
 print sess.run(update)

[1,12]