Один из способов вычисления масок для каждой строки - это использование tf.math.unsorted_segment_mean
. По сути, вы можете иметь один идентификатор сегмента на строку, а затем заменить идентификатор сегмента для маскируемых элементов на дополнительный.
import tensorflow as tf
with tf.Graph().as_default(), tf.Session() as sess:
x = tf.constant([[1., 0., 0., 2., 1., 0., 1.],
[0., 0., 0., 1., 0., 0., 0.],
[2., 0., 2., 1., 1., 3., 0.]], tf.float32)
s = tf.shape(x)
num_rows = s[0]
num_cols = s[1]
# Mask for selected elements
mask = tf.not_equal(x, 0)
# Make per-row ids
row_id = tf.tile(tf.expand_dims(tf.range(num_rows), 1), [1, num_cols])
# Id is replaced for masked elements
seg_id = tf.where(mask, row_id, num_rows * tf.ones_like(row_id))
# Take segmented mean discarding last value (mean of masked elements)
out = tf.math.unsorted_segment_mean(tf.reshape(x, [-1]), tf.reshape(seg_id, [-1]),
num_rows + 1)[:-1]
print(sess.run(out))
# [1.25 1. 1.8 ]
Однако, поскольку в этом случае маска предназначена именно для ненулевых элементов, вы также можете просто использовать tf.math.count_nonzero
:
import tensorflow as tf
with tf.Graph().as_default(), tf.Session() as sess:
x = tf.constant([[1., 0., 0., 2., 1., 0., 1.],
[0., 0., 0., 1., 0., 0., 0.],
[2., 0., 2., 1., 1., 3., 0.]], tf.float32)
x_sum = tf.reduce_sum(x, axis=1)
x_count = tf.cast(tf.count_nonzero(x, axis=1), x.dtype)
# Using maximum avoids problems when all elements are zero
out = x_sum / tf.maximum(x_count, 1)
print(sess.run(out))
# [1.25 1. 1.8 ]