在Tensorflow中计算大范围矩阵的bincount（或频谱）

Question

我想在Tensorflow中有效地实现矩阵元素多样性的概念，以便可以在神经网络训练的每次迭代中执行。更准确地说，

• 输入：一个大整数A整数H x L，其范围为[0,2^K)，其中K很大。
• 输出：整数的向量，或矩阵的谱，s，大小为H*L + 1，其中s[i]表示[0, 2^K)中重复的整数数{{ 1}}次。
• 计算注意事项：i和H x L = 32*400。这个过程需要在神经网络的每次迭代中运行。

示例：

K = 16

天真的方法

A = [[0,0,0,1,1,2,2],
     [3,4,4,4,4,5,6]]
K = 3
s = [1,2,2,1,1,0,0,0,0,0,0,0,0,0,0]

不幸的是，这种方法的主要问题是，对于中等大小的I = tf.one_hot(A) #Shape: H x L x 2^K y = tf.reduce_sum(tf.reduce_sum(I,0),1) # Shape: 2^K s = tf.bincount(y, minLength = H*L + 1) # Shape: H*L + 1 ，扩展为one_hot形式在计算上是不可行的，并且也可能遇到内存不足的问题。在Tensorflow中有更有效的方法吗？

Answer 1

如果你在矩阵上调用一次bincount，你将获得一个向量，其中在位置i你有元素i的计数。然后，如果你打电话给bincount，那么你将有一个向量，在位置c你有数量c的元素，这就是我想你想要的。