Непрерывная нарезка индекса на тензорном объекте в тензорном потоке (расширенное индексирование, например, numpy) - PullRequest
Новая
       11

Непрерывная нарезка индекса на тензорном объекте в тензорном потоке (расширенное индексирование, например, numpy)

0 голосов
/ 17 июня 2019

Я рассмотрел различные способы нарезки в тензорном потоке, а именно tf.gather и tf.gather_nd. В tf.gather он просто нарезает измерение, а также в tf.gather_nd он просто принимает один indices для применения к входному тензору.

Мне нужно другое, я хочу нарезать входной тензор, используя два разных тензора: один разрезает по строкам, второй разрезает по столбцу, и они не обязательно имеют одинаковую форму.

Например:

предположим, что это мой входной тензор, в котором я хочу извлечь его часть. 

input_tf = tf.Variable([ [9.968594,  8.655439,  0.,        0.       ],
                         [0.,        8.3356,    0.,        8.8974   ],
                         [0.,        0.,        6.103182,  7.330564 ],
                         [6.609862,  0.,        3.0614321, 0.       ],
                         [9.497023,  0.,        3.8914037, 0.       ],
                         [0.,        8.457685,  8.602337,  0.       ],
                         [0.,        0.,        5.826657,  8.283971 ],
                         [0.,        0.,        0.,        0.       ]])

второй: 

 rows_tf = tf.constant (
[[1, 2, 5],
 [1, 2, 5],
 [1, 2, 5],
 [1, 4, 6],
 [1, 4, 6],
 [2, 3, 6],
 [2, 3, 6],
 [2, 4, 7]])

Третий тензор: 

columns_tf = tf.constant(
[[1],
 [2],
 [3],
 [2],
 [3],
 [2],
 [3],
 [2]])

Теперь я хочу нарезать input_tf, используя rows_tf и columns_tf. индекс [1 2 5] в строках и [1] в columns_tf. Опять строки [1 2 5] с [2] в columns_tf.

или [1 4 6] с [2].

В целом, каждый индекс в rows_tf с таким же индексом в columns_tf будет извлекать часть из input_tf.

Итак, ожидаемый результат будет: 

[[8.3356,    0.,        8.457685 ],
 [0.,        6.103182,  8.602337 ],
 [8.8974,    7.330564,  0.       ],
 [0.,        3.8914037, 5.826657 ],
 [8.8974,    0.,        8.283971 ],
 [6.103182,  3.0614321, 5.826657 ],
 [7.330564,  0.,        8.283971 ],
 [6.103182,  3.8914037, 0.       ]]

например, здесь первая строка [8.3356, 0., 8.457685 ] извлекается с помощью 

rows in rows_tf [1,2,5] and column in columns_tf [1](row 1 and column 1, row 2 and column 1 and row 5 and column 1 in the input_tf)

Было несколько вопросов относительно нарезки в тензорном потоке, хотя они использовали tf.gather или tf.gather_nd и tf.stack, которые не дали желаемого результата.

Нет необходимости упоминать, что в numpy мы можем легко сделать это, позвонив по номеру: input_tf[rows_tf, columns_tf].

Я также посмотрел на эту расширенную индексацию, которая пытается имитировать расширенную индексацию, доступную в numpy, однако она по-прежнему не похожа на numpy Flexible https://github.com/SpinachR/ubuntuTest/blob/master/beautifulCodes/tensorflow_advanced_index_slicing.ipynb

Это то, что я пробовал, и это не правильно: 

tf.gather(tf.transpose(tf.gather(input_tf,rows_tf)),columns_tf)

размерность этого кода равна (8, 1, 3, 8), что совершенно неверно.

Заранее спасибо!

1 Ответ

1 голос
/ 19 июня 2019

Идея состоит в том, чтобы сначала получить разреженные индексы (путем объединения индекса строки и индекса столбца) в виде списка.Затем вы можете использовать gather_nd для получения значений. 


tf.reset_default_graph()
input_tf = tf.Variable([ [9.968594,  8.655439,  0.,        0.       ],
                         [0.,        8.3356,    0.,        8.8974   ],
                         [0.,        0.,        6.103182,  7.330564 ],
                         [6.609862,  0.,        3.0614321, 0.       ],
                         [9.497023,  0.,        3.8914037, 0.       ],
                         [0.,        8.457685,  8.602337,  0.       ],
                         [0.,        0.,        5.826657,  8.283971 ],
                         [0.,        0.,        0.,        0.       ]])
rows_tf = tf.constant (
[[1, 2, 5],
 [1, 2, 5],
 [1, 2, 5],
 [1, 4, 6],
 [1, 4, 6],
 [2, 3, 6],
 [2, 3, 6],
 [2, 4, 7]])
columns_tf = tf.constant(
[[1],
 [2],
 [3],
 [2],
 [3],
 [2],
 [3],
 [2]])
rows_tf = tf.reshape(rows_tf, shape=[-1, 1])
columns_tf = tf.reshape(
    tf.tile(columns_tf, multiples=[1, 3]), 
    shape=[-1, 1])
sparse_indices = tf.reshape(
    tf.concat([rows_tf, columns_tf], axis=-1), 
    shape=[-1, 2])

v = tf.gather_nd(input_tf, sparse_indices)
v = tf.reshape(v, [-1, 3])

with tf.Session() as sess:
  sess.run(tf.initialize_all_variables())
  #print 'rows\n', sess.run(rows_tf)
  #print 'columns\n', sess.run(columns_tf)
  print sess.run(v)

Результат будет: 

[[ 8.3355999   0.          8.45768547]
 [ 0.          6.10318184  8.60233688]
 [ 8.8973999   7.33056402  0.        ]
 [ 0.          3.89140368  5.82665682]
 [ 8.8973999   0.          8.28397083]
 [ 6.10318184  3.06143212  5.82665682]
 [ 7.33056402  0.          8.28397083]
 [ 6.10318184  3.89140368  0.        ]]
...