Comment explicitement la diffusion d'un tenseur pour correspondre à une autre forme dans tensorflow?

J'ai trois tenseurs, A, B and C dans tensorflow, A et B sont à la fois de la forme (m, n, r), C est un tenseur binaire de la forme (m, n, 1).

Je veux sélectionner les éléments à partir de A ou B selon la valeur de C. L'outil idéal est tf.select, cependant que ne pas avoir de radiodiffusion de la sémantique, donc je dois tout d'abord explicitement la diffusion C à la même forme que le A et le B.

Ce serait ma première tentative à la façon de le faire, mais il ne m'aime pas le mélange d'un tenseur (tf.shape(A)[2]) dans la liste de forme. 

import tensorflow as tf
A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.random_normal([20, 100, 1])
C = tf.greater_equal(C, tf.zeros_like(C))

C = tf.tile(C, [1,1,tf.shape(A)[2]])
D = tf.select(C, A, B)

Quelle est la bonne approche ici?

  • Un hack qui fonctionne: je peux utiliser la radiodiffusion et la sémantique de se multiplier et de se multiplier par ceux tenseur ainsi: Expander = tf.ones_like(B), puis C = Expander*C
InformationsquelleAutor wxs | 2015-12-18
  1. 13

    EDIT: Dans toutes les versions de TensorFlow depuis 0.12rc0, le code en question fonctionne directement. TensorFlow automatiquement pile tenseurs et Python numéros en un tenseur argument. La solution ci-dessous à l'aide de tf.pack() est nécessaire uniquement dans les versions antérieures à 0.12rc0. Notez que tf.pack() a été renommé tf.pile() dans TensorFlow 1.0.

    Votre solution est très proche de travail. Vous devez remplacer la ligne:

    C = tf.tile(C, [1,1,tf.shape(C)[2]])

    ...avec les éléments suivants:

    C = tf.tile(C, tf.pack([1, 1, tf.shape(A)[2]]))

    (La raison pour laquelle le problème est que TensorFlow de ne pas convertir implicitement une liste des tenseurs et Python littéraux dans un tenseur. tf.pack() prend une liste de tenseurs, donc il vous permet de convertir chacun des éléments de son entrée (1, 1, et tf.shape(C)[2]) à un tenseur. Étant donné que chaque élément est un scalaire, le résultat sera un vecteur.)

    • Je pense que vous avez un supplément de [ et l'absence d'un ), mais puis-je obtenir un laconique message d'erreur quand j' exécuter le tf session: InvalidArgumentError: Inputs to operation Select_13 of type Select must have the same size and shape. Input 0: dim { size: 20 } dim { size: 100 } dim { size: 1 } != input 1: dim { size: 20 } dim { size: 100 } dim { size: 10 }
    • Bon point, et j'ai mis à jour la réponse - aussi, l'argument de tf.shape() doit avoir été A (ou B). Cela fonctionne pour moi - quelle erreur avez-vous observé?
    • Ouais c'est corrigé maintenant 🙂 n'ait pas remarqué le paramètre incorrecte à tf.shape(). Merci!
    • C'est tf.stack maintenant, oui?
    • Oui, mais il n'est plus besoin d'utiliser tf.stack() pour résoudre ce problème (voir edit). Le correctif pour le problème sous-jacent sont venus longtemps avant de le renommer de tf.pack() à tf.stack(), donc je vais le garder comme tf.pack() pour l'exactitude historique.
    InformationsquelleAutor mrry
  2. 3

    Voici un sale hack:

    import tensorflow as tf

def broadcast(tensor, shape):
    return tensor + tf.zeros(shape, dtype=tensor.dtype)

A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.random_normal([20, 100, 1])

C = broadcast(C, A.shape)
D = tf.select(C, A, B)
    InformationsquelleAutor Blaine Rogers
  3. 0
    import tensorflow as tf
def broadcast(tensor, shape):
"""Broadcasts ``x`` to have shape ``shape``.
|
Uses ``tf.Assert`` statements to ensure that the broadcast is
valid.
First calculates the number of missing dimensions in 
``tf.shape(x)`` and left-pads the shape of ``x`` with that many 
ones. Then identifies the dimensions of ``x`` that require
tiling and tiles those dimensions appropriately.
Args:
x (tf.Tensor): The tensor to broadcast.
shape (Union[tf.TensorShape, tf.Tensor, Sequence[int]]): 
The shape to broadcast to.
Returns:
tf.Tensor: ``x``, reshaped and tiled to have shape ``shape``.
"""
with tf.name_scope('broadcast') as scope:
shape_x = tf.shape(x)
rank_x = tf.shape(shape0)[0]
shape_t = tf.convert_to_tensor(shape, preferred_dtype=tf.int32)
rank_t = tf.shape(shape1)[0]
with tf.control_dependencies([tf.Assert(
rank_t >= rank_x,
['len(shape) must be >= tf.rank(x)', shape_x, shape_t],
summarize=255
)]):
missing_dims = tf.ones(tf.stack([rank_t - rank_x], 0), tf.int32)
shape_x_ = tf.concat([missing_dims, shape_x], 0)
should_tile = tf.equal(shape_x_, 1)
with tf.control_dependencies([tf.Assert(
tf.reduce_all(tf.logical_or(tf.equal(shape_x_, shape_t), should_tile),
['cannot broadcast shapes', shape_x, shape_t],
summarize=255
)]):
multiples = tf.where(should_tile, shape_t, tf.ones_like(shape_t))
out = tf.tile(tf.reshape(x, shape_x_), multiples, name=scope)
try:
out.set_shape(shape)
except:
pass
return out
A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.random_normal([20, 100, 1])
C = broadcast(C, A.shape)
D = tf.select(C, A, B)
    InformationsquelleAutor Blaine Rogers