如何在Tensorflow中切割无维度的张量

例如，

tensor = tf.placeholder(tf.float32, shape=[None, None, 10], name="seq_holder") 
sliced_tensor = tensor[:,1:,:] # it works well!

但

# Assume that tensor's shape will be [3,10, 10] 
tensor = tf.placeholder(tf.float32, shape=[None, None, 10], name="seq_holder") 
sliced_seq = tf.slice(tensor, [0,1,0],[3, 9, 10]) # it doens't work!

它是相同，我得到一个消息时，我使用的另一place_holder喂尺寸参数tf.slice（）。

第二种方法给了我“输入大小（输入深度）必须可通过形状推断访问”错误消息。

我想知道两种方法之间有什么不同，什么是更多的张量流法。

将帖子整个代码是下面

import tensorflow as tf 
import numpy as np 

print("Tensorflow for tests!") 

vec_dim = 5 
num_hidden = 10 
# method 1 
input_seq1 = np.random.random([3,7,vec_dim]) 

# method 2 
input_seq2 = np.random.random([5,10,vec_dim]) 
shape_seq2 = [5,9,vec_dim] 
# seq: [batch, seq_len] 
seq = tf.placeholder(tf.float32, shape=[None, None, vec_dim], name="seq_holder") 

# Method 1 
sliced_seq = seq[:,1:,:] 

# Method 2 
seq_shape = tf.placeholder(tf.int32, shape=[3]) 
sliced_seq = tf.slice(seq,[0,0,0], seq_shape) 

cell = tf.contrib.rnn.GRUCell(num_units=num_hidden) 
init_state = cell.zero_state(tf.shape(seq)[0], tf.float32) 

outputs, last_state = tf.nn.dynamic_rnn(cell, sliced_seq, initial_state=init_state) 

with tf.Session() as sess: 
    sess.run(tf.global_variables_initializer()) 
    # method 1 
    # states = sess.run([sliced_seq], feed_dict={seq:input_seq1}) 
    # print(states[0].shape) 

    # method 2 
    states = sess.run([sliced_seq], feed_dict={seq:input_seq2, seq_shape:shape_seq2}) 
    print(states[0].shape)

来源

2017-09-15 Hanjun koo

当你定义操作（当运行这两行时）或者当你试图执行它们（例如在一个会话中调用'.run'）时，你会得到错误吗？运行这两条指令毫无困难。 – jdehesa

当我将切片张量（第二种方法）放入动态rnn函数时出现错误。这是dynamic_rnn的问题吗？ –

嗯，很难分辨...你可以编辑你的问题，并添加更多的细节，也许一个完整的最小可重复的例子，你的问题出现？ – jdehesa

您的问题是精确地通过issue #4590

的问题是，tf.nn.dynamic_rnn需要知道在输入的最后一个维度的大小（所述的“深度”）。不幸的是，正如问题所指出的那样，如果任何切片范围在图构建时并不完全已知，则当前tf.slice不能推断出任何输出大小;因此，sliced_seq最终形状为(?, ?, ?)。

就你而言，第一个问题是你使用三个元素的占位符来确定切片的大小;这不是最好的方法，因为最后一个维度不应该改变（即使你稍后通过vec_dim，它可能会导致错误）。最简单的解决办法是把seq_shape成大小2（或者甚至是两个独立的占位符）的占位符，然后做像切片：

sliced_seq = seq[:seq_shape[0], :seq_shape[1], :]

出于某种原因，NumPy的风格索引似乎有更好的状态推理能力，这将保留sliced_seq中最后一个维度的大小。

来源

2017-09-15 13:33:09 jdehesa

我明白了:)感谢您的详细解释！ –

如何在Tensorflow中切割无维度的张量

回答

相关问题