TensorFlow常量张量不可变，因tf.constant创建的是immutable对象，不支持原地修改；需用tf.tensor_scatter_nd_update等函数生成新张量，而非赋值操作。
TensorFlow常量张量是不可变对象
因为 tf.constant 创建的是 immutable（不可变）张量，底层设计上不支持原地修改。这和 Python 的 tuple 或 str 类似：一旦生成，其内容就固定了。你写的 P[1][1] = 1 实际是在尝试对只读对象做 item assignment，所以报错 TypeError: 'Tensor' object does not support item assignment。
想改值，必须构造新张量而非原地更新
TensorFlow 的张量操作本质是函数式编程风格——所有“修改”都得靠组合已有张量生成新张量。常见可行路径有：
-
tf.tensor_scatter_nd_update：最直接，适合单点或批量索引更新，例如tf.tensor_scatter_nd_update(P, [[1,1]], [1.0]) -
tf.concat+ 切片：把原张量拆成三段，中间插入新值，再拼回去；但要注意各段shape必须对齐，尤其 axis 维度要一致 -
tf.one_hot+ 算术运算：构造 mask 后用加减法“覆盖”，比如P + (new_val - P[i,j]) * tf.one_hot([i,j], P.shape)，但仅适用于标量更新且需广播兼容
别混淆 tf.Variable 和 tf.constant
tf.Variable 支持 .assign()，但它不是“可变张量”，而是封装了可训练状态的容器。它的值能变，但每次 .assign() 仍是创建新状态，不是原地改内存。而 tf.constant 连这个接口都不提供。
如果你只是临时调试、快速验证逻辑，用 numpy 更省事：P.numpy()[1,1] = 1，但注意 .numpy() 在 @tf.function 图模式里会直接报错 OperatorNotAllowedInGraphError。
立即学习“Python免费学习笔记（深入）”；
容易被忽略的维度与 dtype 陷阱
用 tf.tensor_scatter_nd_update 时，indices 必须是 int32/int64，updates 的 dtype 必须和原张量一致，否则 silent cast 可能导致数值截断（比如 float32 张量传入 int 值）；切片拼接时，哪怕只差一个 None 或少一个 tf.expand_dims，tf.concat 就会因 rank 不匹配而崩。
