Question

我用theano移动我的第一步，我无法弄清楚如何解决这个问题，这实际上非常容易。

我有一个3 * 4 * 2张量，如下所示：

[1 1] | [2 2] | [3 3]
[1 1] | [2 2] | [3 3]
[0 0] | [2 2] | [3 3]
[9 9] | [0 0] | [3 3]

所以我有N=3个序列，每个序列的长度为L=4，其元素是维d=2的向量。实际上，序列可以有不同的长度，但我可以想到用[0 0]向量填充它们，如上所示。

我想要做的是，首先扫描张量的第一个轴并总结列表直到第一个[0 0]向量中的所有向量 - ＆＃39 ;为什么我在第一张量切片的末尾添加[9 9]，以便检查总和退出条件[1]。我最终应该进入[[2 2], [6 6], [12 12]]。我尝试了很多方法来解决这个问题，在我看来只是一个嵌套的循环问题...但总是有一些奇怪的错误[2]。

谢谢，
朱利奥

-
[1]：实际问题是为NLP目的训练递归神经网络，N批量维度L批量中句子的最大长度d每个单词表示的维度。我省略了这个问题，以便我可以专注于最简单的编码方面 [2]我省略了失败的历史，也许我可以在以后添加它们。

Answer 1

如果您的序列始终为零填充，那么您可以沿着感兴趣的轴求和，因为填充区域不会改变总和。但是，如果填充区域可能包含非零值，则有两种方法。

使用扫描。这很慢，如果可能应该避免。事实上可以避免，因为，
创建二进制掩码并将填充区域相乘。

这里有一些代码说明了这三种方法。对于允许非零填充区域（v2和v3）的两种方法，计算需要一个额外的输入：一个向量，给出批处理中序列的长度。

import numpy
import theano
import theano.tensor as tt


def v1():
    # NOTE: [9, 9] element changed to [0, 0] 
    # since zero padding must be used for
    # this method
    x_data = [[[1, 1], [1, 1], [0, 0], [0, 0]],
              [[2, 2], [2, 2], [2, 2], [0, 0]],
              [[3, 3], [3, 3], [3, 3], [3, 3]]]
    x = tt.tensor3()
    x.tag.test_value = x_data
    y = x.sum(axis=1)
    f = theano.function([x], outputs=y)
    print f(x_data)


def v2_step(i_t, s_tm1, x, l):
    in_sequence = tt.lt(i_t, l).dimshuffle(0, 'x')
    s_t = s_tm1 + tt.switch(in_sequence, x[i_t], 0)
    return s_t


def v2():
    x_data = [[[1, 1], [1, 1], [0, 0], [9, 9]],
              [[2, 2], [2, 2], [2, 2], [0, 0]],
              [[3, 3], [3, 3], [3, 3], [3, 3]]]
    l_data = [2, 3, 4]
    x = tt.tensor3()
    x.tag.test_value = x_data
    l = tt.lvector()
    l.tag.test_value = l_data
    # Must dimshuffle first because scan can only iterate over first (0'th) axis.
    x_hat = x.dimshuffle(1, 0, 2)
    y, _ = theano.scan(v2_step, sequences=[tt.arange(x_hat.shape[0])],
                       outputs_info=[tt.zeros_like(x_hat[0])],
                       non_sequences=[x_hat, l], strict=True)
    f = theano.function([x, l], outputs=y[-1])
    print f(x_data, l_data)


def v3():
    x_data = [[[1, 1], [1, 1], [0, 0], [9, 9]],
              [[2, 2], [2, 2], [2, 2], [0, 0]],
              [[3, 3], [3, 3], [3, 3], [3, 3]]]
    l_data = [2, 3, 4]
    x = tt.tensor3()
    x.tag.test_value = x_data
    l = tt.lvector()
    l.tag.test_value = l_data
    indexes = tt.arange(x.shape[1]).dimshuffle('x', 0)
    mask = tt.lt(indexes, l.dimshuffle(0, 'x')).dimshuffle(0, 1, 'x')
    y = (mask * x).sum(axis=1)
    f = theano.function([x, l], outputs=y)
    print f(x_data, l_data)


def main():
    theano.config.compute_test_value = 'raise'
    v1()
    v2()
    v3()


main()

通常，如果您的步骤功能取决于上一步的输出，那么您需要使用 scan。

如果原则上每个步骤/迭代都可以同时执行（即它们根本不相互依赖），那么通常有一种更有效的方法可以在不使用扫描的情况下执行此操作

扫描theano中不同尺寸的张量

1 个答案: