Question

我目前拥有允许人们在特定轴上采用组合（笛卡尔）产品的代码。这是numpy，源于之前的问题Efficient axis-wise cartesian product of multiple 2D matrices with Numpy or TensorFlow

A = np.array([[1,2],
              [3,4]])
B = np.array([[10,20],
              [5,6]])
C = np.array([[50, 0],
              [60, 8]])
cartesian_product( [A,B,C], axis=1 )
>> np.array([[ 1*10*50, 1*10*0, 1*20*50, 1*20*0, 2*10*50, 2*10*0, 2*20*50, 2*20*0] 
             [ 3*5*60,  3*5*8,  3*6*60,  3*6*8,  4*5*60,  4*5*8,  4*6*60,  4*6*8]])

并重申解决方案：

L = [A,B,C]  # list of arrays
n = L[0].shape[0]
out = (L[1][:,None]*L[0][:,:,None]).reshape(n,-1)
for i in L[2:]:
    out = (i[:,None]*out[:,:,None]).reshape(n,-1)

是否存在使用tensorflow中的广播执行此操作的现有方法 - 没有for循环？

Answer 1

好的，所以我设法找到了两个数组的纯tf（部分）答案。它目前不像M阵列的numpy解决方案那样具有推广性，但对于另一个问题（可能是tf.while_loop）也是如此。对于那些好奇的人，解决方案适应Evaluate all pair combinations of rows of two tensors in tensorflow

a = np.array([[0, 1, 2, 3],
              [4, 5, 6, 7],
              [4, 5, 6, 7]])

b = np.array([[0, 1],
              [2, 3],
              [2, 3]])

N = a.shape[0]

A = tf.constant(a, dtype=tf.float64)
B = tf.constant(b, dtype=tf.float64)

A_ = tf.expand_dims(A, axis=1)
B_ = tf.expand_dims(B, axis=2)
z = tf.reshape(tf.multiply(A_, B_), [N, -1])

>> tf_result
Out[1]: 
array([[  0.,   0.,   0.,   0.,   0.,   1.,   2.,   3.],
       [  8.,  10.,  12.,  14.,  12.,  15.,  18.,  21.],
       [  8.,  10.,  12.,  14.,  12.,  15.,  18.,  21.]])

欢迎使用多阵列案例的解决方案

Tensorflow等效于这种用于2D矩阵的numpy轴方向笛卡尔积

1 个答案: