0
我想在Tensorflow中有效地實現矩陣元素多樣性的概念，使得它可以在每次迭代的神經網絡訓練中執行。更精確地，在Tensorflow中計算大範圍矩陣的計數（或譜）
- 輸入：一個大的矩陣，整數
H x L從[0,2^K)其中K是大的A。 - 輸出：整數的向量或矩陣的譜，
s的大小爲H*L + 1其中s[i]表示重複i次的[0, 2^K)中的整數。 - 計算考慮因素：
H x L = 32*400和K = 16。這個過程需要在神經網絡的每次迭代中運行。
例子：
A = [[0,0,0,1,1,2,2],
[3,4,4,4,4,5,6]]
K = 3
s = [1,2,2,1,1,0,0,0,0,0,0,0,0,0,0]
幼稚的做法
I = tf.one_hot(A) #Shape: H x L x 2^K
y = tf.reduce_sum(tf.reduce_sum(I,0),1) # Shape: 2^K
s = tf.bincount(y, minLength = H*L + 1) # Shape: H*L + 1
不幸的是，這種方法的主要問題是，擴大到one_hot形式爲中等大小的K變得計算上不可行並可能遇到內存不足的問題。在Tensorflow中有更有效的方法嗎？