TensorFlow：使用dim处理嵌套张量无

Question

目标

• 我正在使用与YOLO类似的操作模式在TensorFlow中设计神经网络，即在图像上构建网格，并对网格中的每个单元格进行预测。
• 我有一组输入图像，每个图像的标签数量因图像而异。例如，第一个图像有5个标签，第二个图像有10个，第三个有2个，等等。我的神经网络的预测是以(# images) x (# grid cells) x (5)的形式投射的。
• 对于批处理中的每个图像，我选择与其各自标签位置对应的网格单元格（使用tf.gather）。通过这种方式，我获得了包含相关对象的网格单元格。
• 然后我有一个损失函数，它会增加给定图像中每个标签的损失，并将其全部添加到总损失中。

问题

由于结构的不规则性（沿着每个维度的元素数量不同），我发现很难想出一种处理这种嵌套结构的方法。通常情况下，我只是循环并切片NumPy数组直到作业完成，但TensorFlow似乎不允许这样做（循环None dims，切片等）。

可能的解决方案？

我尝试过的一些事情：

• 使用tf.range在预测的第一维（图像数）上运行简单而简单的循环，然后对输入进行切片（例如slice = labels[i]或类似）。我后来会发现各种错误，对我来说没有意义（就像TypeError: Value passed to parameter 'begin' has DataType float32 not in list of allowed values: int32, int64，即使输入是int32 ...）。
• 使用tf.stack将各种输入张量组织成嵌套张量，将其传递到我的损失函数中，并使用tf.unstack循环遍历批处理中的每个图像。 TensorFlow引发了关于维度不相等的错误
• 使用tf.scan和tf.map，循环嵌套张量的第一维（即批量图像）。同样，我无法在第一时间构建嵌套张量

问题

如何正确处理None尺寸的嵌套结构？

编辑/注意：我知道如何使其仅适用于单个图像（即不在第一维上循环），因此任何解决方案都可以反复调用calculate_loss_function(x, y, z)批量中的每个图像。