我正在尝试在Tensorflow中实现分段最大池操作，如here所述。给定一个句子，我想将它分成三个不同的部分，并且最大限度地将所有这些部分汇集在一起，这样我就会得到3个不同的值，而不是1个。
更具体地说，我的形状training的张量为[batch_len, 1, sentence_len, feature_len]。我还有另一个形状splits的张量[batch_len, 2]，其中任何行的第一个元素是拆分第一个部分的索引，第二个元素是拆分最后一个部分的索引。我想以training张量为基础，根据splits张量中提供的值索引值将其划分为树部分。
我们不能简单地使用其他张量索引training张量，因为对于不同的示例，我们对第一，第二和第三部分具有不同的长度。我可以循环遍历所有训练数据并按照这种方式进行，但这样效率非常低。我希望尽可能提高效率。
注意：由于它们将被最大化，我可以使用3个不同形状[batch_len, 1, sentence_len, feature_len]的张量，其中在第一张量中，只有每个句子第一部分中的元素具有值，而其他人则为零。第二个张量只有中间部分的值，依此类推。
答案 0 :(得分：0)
我是TensorFlow和Keras的新手，如果我错了，请纠正我。
根据我对你的问题的理解，这似乎是在张量流的max_pooling2d层中使用'pool_size'参数的简单例子。
如果你想采用最简单的方法，请确保所有句子都填充到相同的长度，并且因为你想要三个部分（我假设你的意思是三个，当你说'将它划分为树部分'时）你想要完成最大池化，只需将'pool_size'和'strides'参数设置为sent_length / 3.
但是，如果你想使用另一个张量中指定的索引，我建议不要使用张量，而是使用普通整数来表示索引，然后定义一个Lambda图层将你的句子分成3个部分在索引上，并在每个部分上应用全局最大池。此代码可能有助于更好地理解它：
part_1 = Lambda(lambda x: x[:, :, :first_index, :])
part_2 = Lambda(lambda x: x[:, :, first_index:second_index, :])
part_3 = Lambda(lambda x: x[:, :, second_index:, :])
然后在每个部件上进行最大池化，使用适当的过滤器尺寸等于每个部件的长度。如果一个简单的len（）没有给你长度，你可以通过调用形状来获得长度（使用适当的形状索引）。
答案 1 :(得分：0)