我想在“无”维度中切割张量。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)
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