Question

我发现无法在n维数组中得到最大张量，即使通过求和张量并使用gather或gather_nd也是如此。

最大张量是指具有最高总和的权重集。

我有一个形状的张量（-1,4,30,256），其中256是权重。

我需要获得每个（-1,0,30），（ - 1，1，30），（ - 1,2,30）和（ - 1，3，30）的最大权重集，所以在第二维的每个张量下。

这理想情况下会产生（-1,4,256）张量。

reduce_max和任何其他max函数将仅返回最后一维中的最大元素值，而不是维度本身中的最大张量（具有最高总和的权重集）。我试过了：

p1 = tf.reduce_sum(tensor, axis=3) # (-1, 4, 30)
p2 = tf.argmax(p1, 2) # (-1, 4)

其中给出了第三维的适当索引值：

[[0, 2, 2, 0],
 [0, 1, 3, 0],
 ...

但是，即使在预先拆分我的数据并使用不同的轴时，在上面运行tf.gather或tf.gather_nd也不起作用。

此外，如果我手动使用gather_nd，我可以获得适当的索引，例如：

tf.gather_nd(out5, [[0,0,0], [0,1,2], [0,2,2], [0,3,0], [1,0,0], [1,1,2], [1,2,2], [1,3,1]])

但是由于我们使用的是未知第一维的张量流变量，我无法构建这些索引。

我搜索了相关的解决方法，但未发现任何适用的内容。

谁能告诉我怎么做到这一点？谢谢！

编辑以澄清：

权重的最大张量是具有最高总和的权重集：

[[ 1, 2, 3], [0, 0, 2], [1, 0, 2]] would be [1, 2, 3]

Answer 1

我用map_fn想出来了：

我将张量重新设定为（-1,120,256）

tfr = tf.reshape(sometensor, ((-1, 120, 256)))
def func(slice):
    f1 = tf.reduce_sum(slice, axis=1)
    f2 = tf.argmax(f1)
    return(slice[f2])
bla = tf.map_fn(func, tfr)

使用greatested求和向量（最高权重集）返回（-1,256）。

基本上，map_fn将沿着第二个轴到最后一个轴进行迭代，因此它会重复地将一块（120,256）切片到func（第一个轴上有多少个条目）。然后它按块返回适当的（1,256）块，瞧，给出了答案。

n维张量中的最大张量（非元素）

1 个答案: