Question

我有一个这样的二维张量：

$s = '"foo bar"ANDbar"foo"AND"foofoo" lorem "impsum"';
if (preg_match_all('~(?|"([^\\\\"]*(?:\\\\.[^"\\\\]*)*)"|([^\s"]+))~s', $s, $matches)) 
{
    print_r($matches[1]);
}
// => Array ( [0] => foo bar [1] => ANDbar [2] => foo [3] => AND [4] => foofoo [5] => lorem [6] => impsum )

我想计算每一行中每个非零元素的平均值，所以结果将是：

[[1. 0. 0. 2. 1. 0. 1.]
 [0. 0. 0. 1. 0. 0. 0.]
 [2. 0. 2. 1. 1. 3. 0.]]

如何使用TensorFlow做到这一点？

Answer 1

计算每行掩蔽均值的一种方法是使用tf.math.unsorted_segment_mean。本质上，每行可以有一个段ID，然后用额外的一个替换掩码元素的段ID。

[1.25 1.   1.8 ]

但是，由于在这种情况下掩码恰好适用于非零元素，因此您也可以只使用tf.math.count_nonzero：

import tensorflow as tf

with tf.Graph().as_default(), tf.Session() as sess:
    x = tf.constant([[1., 0., 0., 2., 1., 0., 1.],
                     [0., 0., 0., 1., 0., 0., 0.],
                     [2., 0., 2., 1., 1., 3., 0.]], tf.float32)
    s = tf.shape(x)
    num_rows = s[0]
    num_cols = s[1]
    # Mask for selected elements
    mask = tf.not_equal(x, 0)
    # Make per-row ids
    row_id = tf.tile(tf.expand_dims(tf.range(num_rows), 1), [1, num_cols])
    # Id is replaced for masked elements
    seg_id = tf.where(mask, row_id, num_rows * tf.ones_like(row_id))
    # Take segmented mean discarding last value (mean of masked elements)
    out = tf.math.unsorted_segment_mean(tf.reshape(x, [-1]), tf.reshape(seg_id, [-1]),
                                        num_rows + 1)[:-1]
    print(sess.run(out))
    # [1.25 1.   1.8 ]

Answer 2

我们可以使用tf.map_fn来实现：

x = tf.constant([[1., 0., 0., 2., 1., 0., 1.],
                 [0., 0., 0., 1., 0., 0., 0.],
                 [2., 0., 2., 1., 1., 3., 0.]], tf.float32)
def mean(row):
  mask = tf.not_equal(row, 0.0)
  filtered = tf.boolean_mask(row, mask)
  return tf.reduce_mean(filtered)

out = tf.map_fn(mean, x)

如何计算二维张量的每一行的掩盖均值？

2 个答案: