Question

我正在尝试以python方式处理可变大小的张量，如下所示：

# X is of shape [m, n]
for x in X:
    process(x)

我曾尝试使用 tf.scan ，问题是我想处理每个子张量，所以我尝试使用嵌套的扫描，但是我启用了它，因为 tf.scan 使用累加器，如果没有找到它将把 elems 的第一个条目作为初始化程序，我不会这样做＃39我想做。举个例子，假设我想在张量的每个元素中添加一个（这只是一个例子），我想逐个元素地处理它。如果我运行下面的代码，我将只添加一个子张量，因为 scan 将第一个张量视为初始化器，以及每个子张量的第一个元素。

import numpy as np
import tensorflow as tf

batch_x = np.random.randint(0, 10, size=(5, 10))
x = tf.placeholder(tf.float32, shape=[None, 10])

def inner_loop(x_in):
    return tf.scan(lambda _, x_: x_ + 1, x_in)

outer_loop = tf.scan(lambda _, input_: inner_loop(input_), x, back_prop=True)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    rs = sess.run(outer_loop, feed_dict={x: batch_x})

有什么建议吗？

Answer 1

要循环张量，您可以尝试tf.unstack

将rank-R张量的给定维度解包为rank-（R-1）张量。

因此，为每个张量添加1会看起来像：

import tensorflow as tf
x = tf.placeholder(tf.float32, shape=(None, 10))
x_unpacked = tf.unstack(x) # defaults to axis 0, returns a list of tensors

processed = [] # this will be the list of processed tensors
for t in x_unpacked:
    # do whatever
    result_tensor = t + 1
    processed.append(result_tensor)

output = tf.concat(processed, 0)

with tf.Session() as sess:
    print(sess.run([output], feed_dict={x: np.zeros((5, 10))}))

显然，您可以从列表中进一步解压缩每个张量以处理它，直到单个元素。为避免大量嵌套解压缩，您可以先尝试使用tf.reshape(x, [-1])展平x，然后像

那样循环遍历它

flattened_unpacked = tf.unstack(tf.reshape(x, [-1])
for elem in flattened_unpacked:
    process(elem)

在这种情况下，elem是标量。

Answer 2

大多数tensorflow内置函数都可以元素应用。所以你可以将张量传递给函数。像：

outer_loop = inner_loop(x)

但是，如果你有一些无法以这种方式应用的功能（它真的很容易看到这个功能），你可以使用map_fn。

说，你的函数只是给张量的每个元素（或其他）加1：

inputs = tf.placeholder...

def my_elementwise_func(x):
    return x + 1

def recursive_map(inputs):
   if tf.shape(inputs).ndims > 0:
       return tf.map_fn(recursive_map, inputs)
   else:
       return my_elementwise_func(inputs)

result = recursive_map(inputs)

循环超过张量

2 个答案: