通過索引張量Tensorflow切片張量

Question

我有以下兩個張量（注意，他們是都Tensorflow張量，這意味着他們仍然當時我構建了以下切片運算實際上象徵我發動tf.Session()前）：

• params：具有形狀（64,784，256）
• indices：具有形狀（64，784）

，我想構建一個返回以下張量運算：

• output：具有形狀（64,784），其中

output[i,j] = params_tensor[i,j, indices[i,j] ]

什麼是Tensorflow最有效的方式這樣做？

ps：我試過tf.gather，但無法利用它來執行上面描述的操作。

非常感謝。
-Bests

Answer 1

你可以得到正是你想要使用tf.gather_nd什麼。最終的表達是：

tf.gather_nd(params, tf.stack([tf.tile(tf.expand_dims(tf.range(tf.shape(indices)[0]), 1), [1, tf.shape(indices)[1]]), tf.transpose(tf.tile(tf.expand_dims(tf.range(tf.shape(indices)[1]), 1), [1, tf.shape(indices)[0]])), indices], 2)) 

---

這個表達瞭如下解釋：

• tf.gather_nd做你所期望的，並使用該指數從PARAMS

• tf.stack聯合收集輸出三個單獨的張量，其中最後一個是指數。前兩個張量指定前兩個維度（參數/索引的軸0和軸1）的排序

  • 對於所提供的示例，該排序簡單地爲0,1,2，...，63軸0和0,1,2，... 783。這些序列分別用tf.range(tf.shape(indices)[0])和tf.range(tf.shape(indices)[1])獲得。

  • 對於所提供的示例，索引具有形狀（64,784）。從上述需要的最後一個點的另外兩個張量，以具有此相同的形狀，以便與tf.stack

    • 首先，一個額外的維度/軸被添加到每個使用tf.expand_dims兩個序列的組合。

    • tf.tile和tf.transpose的使用可以通過示例來顯示：假設參數和索引的前兩個軸具有形狀（5,3）。我們希望第一張是：

      [[0, 0, 0], [1, 1, 1], [2, 2, 2], [3, 3, 3], [4, 4, 4]] 
      

      我們希望第二張是：

      [[0, 1, 2], [0, 1, 2], [0, 1, 2], [0, 1, 2], [0, 1, 2]] 
      

      這兩個張量差不多的功能就像在網格中指定的座標爲相關指數。

• 的tf.stack最後一部分結合了新的第三軸這三個張量，以使結果具有相同的3個軸作爲PARAMS。

---

請記住，如果你有比這個問題或多或少軸，需要相應修改tf.stack座標確定張量的數量。

Answer 2

你想要的就像是一個自定義的減少功能。如果要保持像最大值的指數indices話，我會建議使用tf.reduce_max：

max_params = tf.reduce_max(params_tensor, reduction_indices=[2]) 

否則，這裏是讓你想要什麼（張量對象是不可轉讓的，所以我們創建的二維表的一種方式張量和它使用tf.pack）包裝：

import tensorflow as tf 
import numpy as np 
with tf.Graph().as_default(): 

    params_tensor = tf.pack(np.random.randint(1,256, [5,5,10]).astype(np.int32)) 

    indices = tf.pack(np.random.randint(1,10,[5,5]).astype(np.int32)) 

    output = [ [None for j in range(params_tensor.get_shape()[1])] for i in range(params_tensor.get_shape()[0])] 
    for i in range(params_tensor.get_shape()[0]): 
     for j in range(params_tensor.get_shape()[1]): 
      output[i][j] = params_tensor[i,j,indices[i,j]] 
    output = tf.pack(output) 

    with tf.Session() as sess: 
     params_tensor,indices,output = sess.run([params_tensor,indices,output]) 

     print params_tensor 
     print indices 
     print output