Question

我想在“无”维度中切片张量。

例如，

tensor = tf.placeholder(tf.float32, shape=[None, None, 10], name="seq_holder")
sliced_tensor = tensor[:,1:,:] # it works well!

但是

# Assume that tensor's shape will be [3,10, 10]
tensor = tf.placeholder(tf.float32, shape=[None, None, 10], name="seq_holder")
sliced_seq = tf.slice(tensor, [0,1,0],[3, 9, 10]) # it doens't work!

当我使用另一个place_holder为tf.slice（）提供大小参数时，我得到一条消息。

第二种方法给了我“输入大小（输入深度）必须可以通过形状推理访问”错误信息。

我想知道两种方法之间有什么不同，以及更多的张量流是什么方式。

将帖子整个代码在下面

import tensorflow as tf
import numpy as np

print("Tensorflow for tests!")

vec_dim = 5
num_hidden = 10
# method 1
input_seq1 = np.random.random([3,7,vec_dim])

# method 2
input_seq2 = np.random.random([5,10,vec_dim])
shape_seq2 = [5,9,vec_dim]
# seq: [batch, seq_len]
seq = tf.placeholder(tf.float32, shape=[None, None, vec_dim], name="seq_holder")

# Method 1
sliced_seq = seq[:,1:,:]

# Method 2
seq_shape = tf.placeholder(tf.int32, shape=[3])
sliced_seq = tf.slice(seq,[0,0,0], seq_shape)

cell = tf.contrib.rnn.GRUCell(num_units=num_hidden)
init_state = cell.zero_state(tf.shape(seq)[0], tf.float32)

outputs, last_state = tf.nn.dynamic_rnn(cell, sliced_seq, initial_state=init_state)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    # method 1
    # states = sess.run([sliced_seq], feed_dict={seq:input_seq1})
    # print(states[0].shape)

    # method 2
    states = sess.run([sliced_seq], feed_dict={seq:input_seq2, seq_shape:shape_seq2})
    print(states[0].shape)

Answer 1

您的问题完全由issue #4590

描述

问题是tf.nn.dynamic_rnn需要知道输入中最后一个维度的大小（＆＃34;深度＆＃34;）。不幸的是，正如问题所指出的，如果任何切片范围在图形构建时未完全知晓，则当前tf.slice无法推断任何输出大小。因此，sliced_seq最终会形成(?, ?, ?)形状。

在您的情况下，第一个问题是您使用三个元素的占位符来确定切片的大小;这不是最好的方法，因为最后一个维度永远不会改变（即使你以后通过vec_dim，也可能导致错误）。最简单的解决方案是将seq_shape转换为大小为2的占位符（或者甚至是两个单独的占位符），然后执行切片，如：

sliced_seq = seq[:seq_shape[0], :seq_shape[1], :]

出于某种原因，NumPy风格的索引似乎具有更好的形状推理功能，这将保留sliced_seq中最后一个维度的大小。

如何在Tensorflow中使用None维切割张量

1 个答案: