Question

我有一个一维数据（浮点数），如下所示：

[-8。，18.，9.，-3。，12.，11.，-13。，38.，...]

我想用相等数量的零替换每个负元素。对于上面的示例，我的结果将类似于以下内容：

[0。，0.，0.，0.，0.，0.，0.，0.，18.，9.，0.，0.，0.，12.，...]

我可以通过使用tf.py_func（）在Tensorflow中做到这一点。但是事实证明，如果我使用该方法，则该图不可序列化。

是否存在可以帮助我获得相同结果的本机tensorflow操作？

Answer 1

这不是一项简单的任务！这是一个纯TensorFlow实现：

import tensorflow as tf

# Input vector
inp = tf.placeholder(tf.int32, [None])
# Find positive and negative indices
mask = inp < 0
num_inputs = tf.size(inp)
pos_idx, neg_idx = tf.dynamic_partition(tf.range(num_inputs), tf.cast(mask, tf.int32), 2)
# Negative values
negs = -tf.gather(inp, neg_idx)
total_neg = tf.reduce_sum(negs)
cum_neg = tf.cumsum(negs)
# Compute the final index of each positive element
pos_neg_idx = tf.cast(pos_idx[:, tf.newaxis] > neg_idx, inp.dtype)
neg_ref = tf.reduce_sum(pos_neg_idx, axis=1)
shifts = tf.gather(tf.concat([[0], cum_neg], axis=0), neg_ref) - neg_ref
final_pos_idx = pos_idx + shifts
# Compute the final size
final_size = num_inputs + total_neg - tf.size(negs)
# Make final vector by scattering positive values
result = tf.scatter_nd(final_pos_idx[:, tf.newaxis], tf.gather(inp, pos_idx), [final_size])
with tf.Session() as sess:
    print(sess.run(result, feed_dict={inp: [-1, 1, -2, 2, 1, -3]}))

输出：

[0 1 0 0 2 1 0 0 0]

此解决方案中有一些“超出必要”的计算成本，即通过pos_neg_idx计算正元素的最终索引，即O（ n ^{2 < / sup>），而可以在O（ n ）中迭代完成。但是，我无法想到一种迭代地复制循环的方法，并且TensorFlow循环（使用tf.while_loop）会很尴尬且缓慢。无论如何，除非您使用很大的向量（正值和负值均匀分布），否则这不是什么大问题。}

使用本机tensorflow ops扩展张量

1 个答案: