首页 文章

Tensorflow扫描具有偏移的多个矩阵行

提问于
浏览 次
0

问题

我想扫描类似于Tensorflow的 tf.scan() 的矩阵，但是一次使用多行 . 所以给定一个 [n, m] 矩阵，我希望能够从 i + j 到 m 迭代 m 行（ n 个元素），给出 m - j 形状切片 [i - j, n] .

怎么能实现这一目标？

我知道 tf.scan 如何做这样的事情，返回每次迭代的累积值 . 但我不认为移动矩阵会因为多个输入解决了这个问题，因为具有偏移的值无法预先计算 .

示例

举一个 n = 3 和 m = 5 的例子，假设我有一个如下所示的矩阵：

# [[1 0 0]
#  [1 1 0]
#  [0 0 0]   row 3
#  [0 0 0]   row 4
#  [0 0 0]]  row 5

matrix_shape = [5, 3]
matrix_idx = tf.constant([[0, 0], [1, 0], [1, 1]])
matrix = tf.scatter_nd(matrix_idx,
                       tf.ones(tf.shape(matrix_idx)[0],
                               dtype=tf.int32),
                       matrix_shape)

我想从第3行到第5行应用以下函数：

# [[ 1  0  0]    ┌ a
#  [ 1  1  0]    ├ b
#  [ 6  4  2]  <─┴ output / current line
#  [16 12  6]
#  [46 34 18]]

def compute(x):
    a = x[0]
    b = x[1]
    return (a + b + 1) * 2

Tensorflow是否具有针对此问题的特定功能？

python tensorflow

1 回答

  • 0

    我写的以下代码完全符合我的要求 .

    这里重要的部分是 tf.scan 使用的函数 return ，它不仅返回当前计算 c ，还返回上一步 b 中的行 . 因此，重要的是稍后通过仅使用 [1] 选择此列表中的后期张量来从 computation 中切除这些过量 .

    #!/usr/bin/env python3
import tensorflow as tf

def compute(x, _):
    a = x[0]
    b = x[1]
    c = (a + b + 1) * 2
    return (b, c)

matrix_shape = tf.constant([3, 3])
init_data = [[1, 0, 0], [1, 1, 0]]
initializer = (
    tf.constant(init_data[0]),
    tf.constant(init_data[1]),
)
matrix = tf.zeros(matrix_shape, dtype=tf.int32)
computation = tf.scan(compute, matrix, initializer)[1]
result = tf.concat((tf.constant(init_data), computation), axis=0)

with tf.Session() as sess:
    sess.run(result)
    print(result.eval())

    由于我还缺乏经验：可能这个解决方案对性能有害，因为函数返回一个元组，因此没有使用Tensorflow的速度优化？

    回复于

相关问题