Question

我正在尝试为张量流张量实现此有效的numpy代码，该代码将内核的一部分上下左右翻转，然后添加一些零。

import numpy as np
kernel = np.array([[1,2,3,],[4,5,6],[7,8,9]]).reshape(1,3,3)
K = np.zeros((1,5,5))

K[:, 0:1 + 1, 0:1 + 1] = kernel[:, 1:, 1:]
K[:, -1:, 0:1 + 1] = kernel[:, 0:1, -2:]
K[:, 0:1 + 1, -1:] = kernel[:, -2:, 0:1]
K[:, -1:, -1:] = kernel[:, 0:1, 0:1]

结果是：

K = [[[5, 6, 0, 0, 4],
      [8, 9, 0, 0, 7],
      [0, 0, 0, 0, 0],
      [0, 0, 0, 0, 0],
      [2, 3, 0, 0, 1]]]

内核是张量流张量，具有可训练的权重，尺寸为1x3x3。因此，它不是一个numpy数组，因此我无法像上面的代码那样对其进行切片。将张量转换为numpy数组是没有选择的，因为此操作应在神经网络的一层中进行。有人能想到用张量实现此目标的好方法吗？

Answer 1

您可以使用tf.Variable中的assign。 tf.Tensor支持numpy之类的拼接选择

kernel = tf.constant(np.array([[1,2,3,],[4,5,6],[7,8,9]]).reshape(1,3,3), dtype=tf.float32) # tf.Tensor
k = tf.Variable(np.zeros((1,5,5)), dtype=tf.float32) # tf.Variable

k[:, 0:1 + 1, 0:1 + 1].assign(kernel[:, 1:, 1:])
k[:, -1:, 0:1 + 1].assign(kernel[:, 0:1, -2:])
k[:, 0:1 + 1, -1:].assign(kernel[:, -2:, 0:1])
k[:, -1:, -1:].assign(kernel[:, 0:1, 0:1])

<tf.Variable 'Variable:0' shape=(1, 5, 5) dtype=float32, numpy=
array([[[5., 6., 0., 0., 4.],
        [8., 9., 0., 0., 7.],
        [0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0.],
        [2., 3., 0., 0., 1.]]], dtype=float32)>

翻转张量并在张量流中填充零

1 个答案: