Question

实施例，我有一个二维张量。

array = np.array([1,2,3],[1,2,3],[1,2,3])
tensor = tf.constant(array)

我想计算张量中每列的总和，但要求每一行都偏离其他列。

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

是否可以有效地执行此类计算？我尝试使用SparseTensor和tf.sparse_reduce_sum计算稀疏表示的总和，但发现它对我的数据大小来说计算效率很低。

Answer 1

您可以手动构建移位的总和图：

import tensorflow as tf
import numpy as np

array1 = np.array([[1., 2., 3.],
                  [1., 2., 3.],
                  [1., 2., 3.]], dtype=np.float32)
tensor1 = tf.Variable(tf.constant(array1))

array2 = np.array([[1., 2., 3., 4.],
                  [1., 2., 3., 4.],
                  [1., 2., 3., 4.],
                  [1., 2., 3., 4.]], dtype=np.float32)
tensor2 = tf.Variable(tf.constant(array2))

def shifted_sum(tensor):
  def shifted_sum_one_column(i):
    s = tf.constant(0., dtype=tf.float32)
    for j in range(tensor.get_shape()[0]):
      if 0 <= i - (j + 1) < tensor.get_shape()[1]:
        s += tensor[tf.constant(j, dtype=tf.int32),
                    tf.constant(i - (j + 1), dtype=tf.int32)]
    return s

  result = []

  for i in range(tensor.get_shape()[1] + tensor.get_shape()[0]):
    result.append(shifted_sum_one_column(i))

  result = tf.stack(result)
  return result

shifted_tensor_1 = shifted_sum(tensor1)
shifted_tensor_2 = shifted_sum(tensor2)

with tf.Session() as sess:
  sess.run(tf.global_variables_initializer())
  print(sess.run(shifted_tensor_1))
  print(sess.run(shifted_tensor_2))

张量也可以是占位符，但必须事先知道形状。

添加具有偏移的张量

1 个答案: