Question

在numpy中，我们可以这样做：

x = np.random.random((10,10))
a = np.random.randint(0,10,5)
b = np.random.randint(0,10,5)
x[a,b] # gives 5 entries from x, indexed according to the corresponding entries in a and b

当我在TensorFlow中尝试相同的东西时：

xt = tf.constant(x)
at = tf.constant(a)
bt = tf.constant(b)
xt[at,bt]

最后一行给出“Bad slice index tensor”异常。似乎TensorFlow不支持像numpy或Theano那样的索引。

是否有人知道是否有TensorFlow方法（按任意值索引张量）。我已经看过tf.nn.embedding部分了，但我不确定它们是否可以用于此，即使它们可以，也是一个很简单的解决方法。

（现在，我正在将来自x的数据作为输入并在numpy中进行索引，但我希望将x置于TensorFlow中以获得更高的效率）

Answer 1

LDGN的评论是正确的。目前这是不可能的，并且是请求的功能。如果您关注issue#206 on github，则会在/当有可用时更新。很多人都喜欢这个功能。

Answer 2

您现在可以使用tf.gather_nd实现这一目的。我们假设您有一个矩阵m，如下所示：

| 1 2 3 4 |
| 5 6 7 8 |

你想构建一个大小为r的矩阵，比如3x2，由m的元素构建，如下所示：

| 3 6 |
| 2 7 |
| 5 3 |
| 1 1 |

r的每个元素都对应m的行和列，您可以使用这些索引的矩阵rows和cols（从零开始，因为我们是编程，而不是数学！）：

       | 0 1 |         | 2 1 |
rows = | 0 1 |  cols = | 1 2 |
       | 1 0 |         | 0 2 |
       | 0 0 |         | 0 0 |

你可以像这样堆叠成三维张量：

| | 0 2 | | 1 1 | |
| | 0 1 | | 1 2 | |
| | 1 0 | | 2 0 | |
| | 0 0 | | 0 0 | |

这样，您可以从m到r到rows和cols，如下所示：

import numpy as np
import tensorflow as tf

m = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
rows = np.array([[0, 1], [0, 1], [1, 0], [0, 0]])
cols = np.array([[2, 1], [1, 2], [0, 2], [0, 0]])

x = tf.placeholder('float32', (None, None))
idx1 = tf.placeholder('int32', (None, None))
idx2 = tf.placeholder('int32', (None, None))
result = tf.gather_nd(x, tf.stack((idx1, idx2), -1))

with tf.Session() as sess:
    r = sess.run(result, feed_dict={
        x: m,
        idx1: rows,
        idx2: cols,
    })
print(r)

输出：

[[ 3.  6.]
 [ 2.  7.]
 [ 5.  3.]
 [ 1.  1.]]

Answer 3

对于Tensorflow 0.11，已实施基本索引。更高级的索引（如布尔索引）仍然缺失，但显然计划用于未来的版本。

可以使用https://github.com/tensorflow/tensorflow/issues/4638

跟踪高级索引

TensorFlow - 类似numpy的张量索引

3 个答案: