首先是广泛的问题:
-
是否可以使用tensorflow构建条件图?
-
如果是,自动梯度计算和已实现的优化器是否可以使用?
-
我可以访问张量的形状并将其转换为整数,以便在"if"条件和"for i in range()"循环中使用它吗?
我的实际用例是我想用可变张量长度进行一维卷积 . 为此,我首先需要一个if语句,如果长度大于1,则只执行卷积 . 然后我有一个for循环通过卷积的张量 . 问题是这段代码:
for i in range(tf.shape(tensor)[0]):
不起作用,因为范围运算符需要一个整数 . 我能以某种方式将其转换为整数吗?
最后,我想用adagrad训练这个模型,无论是自动区分还是已经实现的优化器
编辑:
这是1D卷积,后来将成为我模型中两个层中的第一个 . 类型错误是每个触发一个版本的for循环的背后
import tensorflow as tf
import numpy as np
def convolve(s, Tl, Tr, b):
if (tf.shape(s)[0] == 1):
return s
sum = 0
# for i in range(tf.shape(s)[0] - 1): # error: TypeError: range() integer end argument expected, got Tensor
# for i in range(s._shape._dims[0]._value - 1): # error: TypeError: unsupported operand type(s) for -: 'NoneType' and 'int'
for i in range(s.get_shape().as_list()[0] - 1): # error: TypeError: unsupported operand type(s) for -: 'NoneType' and 'int'
sum += tf.tanh(tf.matmul(Tl,s[i]) + tf.matmul(Tr, s[i+1]) + b)
return sum
ModelSize = 3
# tensor to be convolved
s = tf.placeholder("float", shape = [None, ModelSize])
# initialise weights
Tl = tf.Variable(tf.random_normal(shape=[ModelSize,ModelSize], stddev = 0.1 ))
Tr = tf.Variable(tf.random_normal(shape=[ModelSize,ModelSize], stddev = 0.1 ))
b = tf.Variable(tf.random_normal(shape=[ModelSize], stddev = 0.1 ))
#convolution
s_convolved = convolve(s, Tl, Tr, b)
# initialise variables.
init = tf.initialize_all_variables()
# run graph
sess = tf.Session()
sess.run(init)
# test data
s_dataLong = np.random.random((2,5,ModelSize))
s_dataShort = np.random.random((2,1,ModelSize))
for s_dataPart in s_dataLong:
print sess.run(s_convolved, feed_dict = {s : s_dataPart})
for s_dataPart in s_dataShort:
print sess.run(s_convolved, feed_dict = {s : s_dataPart})
1 回答
我建议你以不同的方式写每个问题 . 否则它将被关闭太宽泛 .
我只能回答你的第三个问题 . 如何以编程方式获得张量的形状 . 您正在使用shape to get the shape of the tensor,但在运行图形之前仍然无法获得结果(请查看我的explanation here) .
我发现从常量中获取形状而不运行图形的丑陋方式是做一些事情(不知道你为什么需要它):
要从变量中获取形状,可以执行以下操作:
在评估之前访问Tensor形状的另一种方法是:tf.Tensor.get_shape()