通过索引张量Tensorflow切片张量

Question

我有以下两个张量（注意，他们是都Tensorflow张量，这意味着他们仍然当时我构建了以下切片运算实际上象征我发动tf.Session()前）：

• params：具有形状（64,784，256）
• indices：具有形状（64，784）

，我想构建一个返回以下张量运算：

• output：具有形状（64,784），其中

output[i,j] = params_tensor[i,j, indices[i,j] ]

什么是Tensorflow最有效的方式这样做？

ps：我试过tf.gather，但无法利用它来执行上面描述的操作。

非常感谢。
-Bests

Answer 1

你可以得到正是你想要使用tf.gather_nd什么。最终的表达是：

tf.gather_nd(params, tf.stack([tf.tile(tf.expand_dims(tf.range(tf.shape(indices)[0]), 1), [1, tf.shape(indices)[1]]), tf.transpose(tf.tile(tf.expand_dims(tf.range(tf.shape(indices)[1]), 1), [1, tf.shape(indices)[0]])), indices], 2)) 

---

这个表达了如下解释：

• tf.gather_nd做你所期望的，并使用该指数从PARAMS

• tf.stack联合收集输出三个单独的张量，其中最后一个是指数。前两个张量指定前两个维度（参数/索引的轴0和轴1）的排序

  • 对于所提供的示例，该排序简单地为0,1,2，...，63轴0和0,1,2，... 783。这些序列分别用tf.range(tf.shape(indices)[0])和tf.range(tf.shape(indices)[1])获得。

  • 对于所提供的示例，索引具有形状（64,784）。从上述需要的最后一个点的另外两个张量，以具有此相同的形状，以便与tf.stack

    • 首先，一个额外的维度/轴被添加到每个使用tf.expand_dims两个序列的组合。

    • tf.tile和tf.transpose的使用可以通过示例来显示：假设参数和索引的前两个轴具有形状（5,3）。我们希望第一张是：

      [[0, 0, 0], [1, 1, 1], [2, 2, 2], [3, 3, 3], [4, 4, 4]] 
      

      我们希望第二张是：

      [[0, 1, 2], [0, 1, 2], [0, 1, 2], [0, 1, 2], [0, 1, 2]] 
      

      这两个张量差不多的功能就像在网格中指定的坐标为相关指数。

• 的tf.stack最后一部分结合了新的第三轴这三个张量，以使结果具有相同的3个轴作为PARAMS。

---

请记住，如果你有比这个问题或多或少轴，需要相应修改tf.stack坐标确定张量的数量。

Answer 2

你想要的就像是一个自定义的减少功能。如果要保持像最大值的指数indices话，我会建议使用tf.reduce_max：

max_params = tf.reduce_max(params_tensor, reduction_indices=[2]) 

否则，这里是让你想要什么（张量对象是不可转让的，所以我们创建的二维表的一种方式张量和它使用tf.pack）包装：

import tensorflow as tf 
import numpy as np 
with tf.Graph().as_default(): 

    params_tensor = tf.pack(np.random.randint(1,256, [5,5,10]).astype(np.int32)) 

    indices = tf.pack(np.random.randint(1,10,[5,5]).astype(np.int32)) 

    output = [ [None for j in range(params_tensor.get_shape()[1])] for i in range(params_tensor.get_shape()[0])] 
    for i in range(params_tensor.get_shape()[0]): 
     for j in range(params_tensor.get_shape()[1]): 
      output[i][j] = params_tensor[i,j,indices[i,j]] 
    output = tf.pack(output) 

    with tf.Session() as sess: 
     params_tensor,indices,output = sess.run([params_tensor,indices,output]) 

     print params_tensor 
     print indices 
     print output