Tensorflow хэш-таблица поиска с массивами

Question

Я пытаюсь настроить тип HashMap для работы с tenorflow.Я получил его на работу, когда ключи и значения имеют тип int.Но когда они являются массивами, выдает ошибку - ValueError: Shapes (2,) and () are not compatible в строке default_value)

import numpy as np
import tensorflow as tf


input_tensor = tf.constant([1, 1], dtype=tf.int64)
keys = tf.constant(np.array([[1, 1],[2, 2],[3, 3]]),  dtype=tf.int64)
values = tf.constant(np.array([[4, 1],[5, 1],[6, 1]]),  dtype=tf.int64)
default_value = tf.constant(np.array([1, 1]),  dtype=tf.int64)

table = tf.contrib.lookup.HashTable(
        tf.contrib.lookup.KeyValueTensorInitializer(keys, values),
        default_value)

out = table.lookup(input_tensor)
with tf.Session() as sess:
    table.init.run()
    print(out.eval())

Answer 1

К сожалению, tf.contrib.lookup.HashTable работает только с одномерными тензорами. Вот реализация с tf.SparseTensor s, которая, конечно, работает, только если ваши ключи являются целочисленными (int32 или int64) тензорами.

Для значений я храню два столбца в двух отдельных тензорах, но если у вас много столбцов, вы можете просто сохранить их в большом тензоре и сохранить индексы в виде значений в одном tf.SparseTensor.

Этот код (проверено):

import tensorflow as tf

lookup = tf.placeholder( shape = ( 2, ), dtype = tf.int64 )
default_value = tf.constant( [ 1, 1 ], dtype = tf.int64 )
input_tensor = tf.constant( [ 1, 1 ], dtype=tf.int64)
keys = tf.constant( [ [ 1, 2 ], [ 3, 4 ], [ 5, 6 ] ],  dtype=tf.int64 )
values = tf.constant( [ [ 4, 1 ], [ 5, 1 ], [ 6, 1 ] ],  dtype=tf.int64 )
val0 = values[ :, 0 ]
val1 = values[ :, 1 ]

st0 = tf.SparseTensor( keys, val0, dense_shape = ( 7, 7 ) )
st1 = tf.SparseTensor( keys, val1, dense_shape = ( 7, 7 ) )

x0 = tf.sparse_slice( st0, lookup, [ 1, 1 ] )
y0 = tf.reshape( tf.sparse_tensor_to_dense( x0, default_value = default_value[ 0 ] ), () )
x1 = tf.sparse_slice( st1, lookup, [ 1, 1 ] )
y1 = tf.reshape( tf.sparse_tensor_to_dense( x1, default_value = default_value[ 1 ] ), () )

y = tf.stack( [ y0, y1 ], axis = 0 )

with tf.Session() as sess:
    print( sess.run( y, feed_dict = { lookup : [ 1, 2 ] } ) )
    print( sess.run( y, feed_dict = { lookup : [ 1, 1 ] } ) )

выведет:

[4 1]
[1 1]

по желанию (ищет значение [4, 1] для клавиши [1, 2] и значение по умолчанию значение [1, 1] для [1, 1] , которое указывает на несуществующую запись.)