Numpy有这个辅助函数np.empty,它将:
返回给定形状和类型的新数组,而不初始化条目。
当我想使用tf.concat创建张量时,我发现它非常有用:
输入张量的尺寸必须匹配,除轴外的所有尺寸必须相等。
所以从一个预期形状的空张量开始就派上用场了。有没有办法在tensorflow中实现这个目标?
[编辑]
为什么我想要这个
的简化示例 netInput = np.empty([0, 4])
netTarget = np.empty([0, 4])
inputWidth = 2
for step in range(data.shape.as_list()[-2]-frames_width-1):
netInput = tf.concat([netInput, data[0, step:step + frames_width, :]], -2)
target = tf.concat([target, data[0, step + frames_width + 1:step + frames_width + 2, :]], -2)
在此示例中,如果初始化netInput或netTarget,我将使用该初始化连接一个额外的示例。要用第一个值初始化它们,我需要破解循环。没有什么是市长,我只是想知道是否有一个' tensorflow'解决这个问题的方法。
答案 0 :(得分:2)
您可以做的最接近的事情是创建一个不初始化的变量。如果使用tf.global_variables_initializer()
初始化变量,请在初始化期间通过设置collections=[]
禁用将变量放入全局变量列表中。
例如,
import numpy as np
import tensorflow as tf
x = tf.Variable(np.empty((2, 3), dtype=np.float32), collections=[])
y = tf.Variable(np.empty((2, 3), dtype=np.float32))
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# y has been initialized with the content of "np.empty"
y.eval()
# x is not initialized, you have to do it yourself later
x.eval()
此处np.empty
仅提供x
以指定其形状和类型,而非初始化。
现在对于诸如tf.concat
之类的操作,您实际上并没有(实际上不能)自己管理内存 - 您无法预先分配输出,因为某些numpy
函数允许您这样做。 Tensorflow已经管理了内存并执行了智能技巧,例如,如果检测到它可以重复使用内存块,那么就可以这样做。
答案 1 :(得分:1)
在TF 2中,
tensor = tf.reshape(tf.convert_to_tensor(()), (0, n))
为我工作。
答案 2 :(得分:0)
如果您要创建一个空张量,tf.zeros
会做
>>> a = tf.zeros([0, 4])
>>> tf.concat([a, [[1, 2, 3, 4], [5, 6, 7, 8]]], axis=0)
<tf.Tensor: shape=(2, 4), dtype=float32, numpy=
array([[1., 2., 3., 4.],
[5., 6., 7., 8.]], dtype=float32)>