Question

给定具有两个或更多不同维度占位符的网络，例如

x1 = tf.placeholder(tf.int32, [None, seq_len])
x2 = tf.placeholder(tf.int32, [None, seq_len])
xn = tf.placeholder(tf.int32, [None, None, seq_len]

每个占位符的第一个维度对应于小批量大小。 seq_len是输入的长度。第二个维度就像我需要为小批量中的每个索引与x1和x2一起处理的输入列表。如何通过批量索引对这些张量进行分组以对其进行操作？

例如

x1 = [[1, 2, 3], [4, 5, 6]]
x2 = [[7, 8, 9], [8, 7, 6]]
xn = [[[1, 5, 2], [7, 2, 8], [3, 2, 5]], [[8, 9, 8]]]

我需要将x1[0] i.e. [1, 2, 3]，x2[0] i.e. [7, 8, 9]和xn[0] i.e. [[1, 5, 2], [7, 2, 8], [3, 2, 5]]放在一起，因为我需要在x1[i]和xn[i]中的每个元素之间执行矩阵运算所有i。

请注意xn的维度锯齿状。

Answer 1

仍然不确定我是否理解你的问题。如果我理解正确，您的挑战来自xn维度的锯齿状性质。我有以下方式来展开＆＃34;展开＆＃34;沿批量索引。结果是一个大小为batch_size的数组;数组中的每个元素都是Tensor。当然，在评估之前，您可以对所有这些单个张量执行其他操作。

我必须使用tf.scan为xn[i]的每个元素执行操作，因为它的第一个维度是动态的。可能存在更好的解决方案。

x1 = np.array([[1, 2, 3]])
xn = np.array([[[1, 5, 2], [7, 2, 8], [3, 2, 5]]])

batch_size = x1.shape[0]

result = []
for batch_idx in range(batch_size):
  x1_i = x1[batch_idx]
  xn_i = xn[batch_idx]
  result.append(tf.scan(fn=lambda a, x: x * x1_i, elems=xn_i, initializer=x1_i))
with tf.Session() as sess:
  print sess.run([result[0]])

# result, this is x1[0] multiply each element in xn[0] for all i (element-wise). 
# free free to plug in your own matrix operations in the `fn` arg of `tf.scan`.
  [array([[ 1,  10, 6],
          [ 7,  4, 24],
          [ 3,  4, 15]])]

Tensorflow - 按批次索引对占位符进行分组

1 个答案: