我有一个像这样的张量，其中的值是频率，行是索引（0 to 6）：
tf_docs =
[[0, 2],
[1, 2],
[2, 1],
[5, 0],
[0, 1],
[7, 8],
[9, 6]]
我有一个常数张量，其中张量的值是索引：
tf_topics = tf.constant([[1 2]
[1 3]
[1 0]
[2 3]
[2 0]
[3 0]
[3 4]
[3 2]
[3 1]
[4 2]
[4 1]
[2 1]], shape=(12, 2), dtype=int32)
我需要在tf_docs中逐行检查这些索引，结果矩阵将是tf_docs中其中两个索引都不为零的列数。
例如，我们在[1 2]中有tf_topics。这意味着检查1中行索引2和tf_docs中的值。在tf_docs的第一和第二列中，两个值都不为零。这就是为什么[1 2]的频率为2的原因。
另一方面，[1,3]得到1作为频率。因为索引3的第二列中的值之一为零。
所以结果将是这样的张量（这显然是对称的）。对角线将是每个index的频率之和：
[[2, 1, 1, 0, null],
[1, 3, 2, 1, 1 ],
[1, 2, 3, 1, 1 ],
[0, 1, 1, 5, 0 ],
[null,1, 1, 0, 1 ]]
到目前为止我所做的：
我决定在两个矩阵上使用tf.gather和tf.count_nonzero。因为我想将index中的topics拆分，看看这些indexes是否同时出现在tf_docs
tf.math.count_nonzero(tf.gather(tf_docs, tf_topics, axis=0), axis=1)
尽管如此，这似乎并没有给我我想要的结果。
答案 0 :(得分：2)
将nonzero_tf_docs定义为：
zero_tf_docs = tf.cast(tf.equal(tf_docs, tf.zeros_like(tf_docs)), tf.int32)
nonzero_tf_docs = 1 - tf.reduce_max(zero_tf_docs, axis=-1)
OP要求计算nonzero_tf_docs[i] + nonzero_tf_docs[j]中每对索引i, j的总和tf_topics并将结果显示在矩阵中。这可以通过以下方式实现：
def compute_result(tf_topics_, nonzero_tf_docs, tf_docs):
# Find matrix lower part
values = tf.reduce_sum(tf.gather(nonzero_tf_docs, tf_topics_), axis=-1)
max_index = tf.reduce_max(tf_topics) + 1
out_sparse = tf.sparse.SparseTensor(indices=tf_topics_, values=values, dense_shape=[max_index, max_index])
out_sparse = tf.cast(out_sparse, dtype=tf.int32)
out_sparse = tf.sparse.reorder(out_sparse)
out_dense = tf.sparse.to_dense(out_sparse, default_value=-1)
out_lower = tf.matrix_band_part(out_dense, -1, 0)
# Compute diagonal
diag_values = tf.reduce_sum(tf_docs, axis=-1)
diag = tf.slice(diag_values,
begin=[0],
size=[max_index])
# Construct output matrix
out = out_lower + tf.transpose(out_lower)
mask = tf.eye(max_index, dtype=tf.int32)
out = (1 - mask) * out + mask * diag
return out
# Find docs without zeros
zero_tf_docs = tf.cast(tf.equal(tf_docs, tf.zeros_like(tf_docs)), tf.int32)
nonzero_tf_docs = 1 - tf.reduce_max(zero_tf_docs, axis=-1)
# Transform counts into matrix format
tf_topics = tf.cast(tf_topics, dtype=tf.int64)
tf_topics_reversed = tf.reverse(tf_topics, [-1])
tf_topics_ = tf_topics_reversed
out_1 = compute_result(tf_topics_, nonzero_tf_docs, tf_docs)
out_2 = compute_result(tf_topics, nonzero_tf_docs, tf_docs)
out = tf.maximum(out_1, out_2)
with tf.Session() as sess:
r = sess.run(out)
print(r) # prints [[ 2 1 1 0 -1]
# [ 1 3 2 1 1]
# [ 1 2 3 1 1]
# [ 0 1 1 5 0]
# [-1 1 1 0 1]]
答案 1 :(得分：2)
感谢您的最新修改和rvinas' answer，我想我终于了解了您的需求。使我感到困惑的一件事是，输出矩阵中存在“空”单元格。无论如何，这是一种方法：
import tensorflow as tf
def freq_matrix(tf_docs, tf_topics):
tf_docs = tf.convert_to_tensor(tf_docs)
tf_topics = tf.convert_to_tensor(tf_topics)
# Sort indices to make upper diagonal
tf_topics = tf.sort(tf_topics, axis=1)
# Largest index
m = tf.reduce_max(tf_topics) + 1
# Remove duplicates
topics_flat = tf_topics[:, 0] * m + tf_topics[:, 1]
topics_uniq, _ = tf.unique(topics_flat)
tf_topics = tf.stack([topics_uniq // m, topics_uniq % m], axis=1)
# Make diagonal
diag = tf.reduce_sum(tf_docs[:m], axis=1)
# Find non-zero positions in docs
docs_nz = tf.not_equal(tf_docs, 0)
# Get for each pair
docs_g = tf.gather(docs_nz, tf_topics)
# Find number of matches
matches = tf.math.logical_and(docs_g[:, 0], docs_g[:, 1])
freq = tf.reduce_sum(tf.dtypes.cast(matches, tf_docs.dtype), axis=1)
# Add one to all values to subtract one at the end
diag += 1
freq += 1
# Make upper diagonal
out = tf.scatter_nd(tf_topics, freq, [m, m])
# Make symmetric
out += tf.transpose(out)
# Add diagonal
out += tf.linalg.diag(diag)
# Subtract one to mark empty cells
out -= 1
return out
# Test
tf_docs = tf.constant([[0, 2], [1, 2], [2, 1], [5, 0], [0, 1], [7, 8], [9, 6]])
tf_topics = tf.constant([[1, 2], [1, 3], [1, 0], [2, 3], [2, 0], [3, 0],
[3, 4], [3, 2], [3, 1], [4, 2], [4, 1], [2, 1]])
print(freq_matrix(tf_docs, tf_topics).numpy())
# [[ 2 1 1 0 -1]
# [ 1 3 2 1 1]
# [ 1 2 3 1 1]
# [ 0 1 1 5 0]
# [-1 1 1 0 1]]