为每个值序列生成较小的张量

Question

考虑这个张量

a = tf.constant([0,1,2,3,5,6,7,8,9,10,19,20,21,22,23,24])

我想把它分成3个张量(对于这个特定的例子)，包含数字紧相邻的群。预期的输出将是:

output_tensor = [ [0,1,2,3], [5,6,7,8,9,10], [19,20,21,22,23,24] ]

你知道怎么做吗?有没有一种张量流数学方法可以帮助你有效地做到这一点?我什么也找不到。

Answer 1

对于提供的示例，分割应该可以工作:

a = tf.constant([0, 1, 2, 3, 5, 6, 7, 8, 9, 10, 19, 20, 21, 22, 23, 24])
print(tf.split(a, [4, 6, 6]))

输出:

[<tf.Tensor: shape=(4,), dtype=int32, numpy=array([0, 1, 2, 3], dtype=int32)>, <tf.Tensor: shape=(6,), dtype=int32, numpy=array([ 5,  6,  7,  8,  9, 10], dtype=int32)>, <tf.Tensor: shape=(6,), dtype=int32, numpy=array([19, 20, 21, 22, 23, 24], dtype=int32)>]

第二个参数决定了每个输出张量沿着分裂轴的大小(默认为0)——所以在这种情况下，第一个张量的大小为4，第二个张量的大小为6，第三个张量的大小为6。或者，也可以提供一个int，只要你所分割的轴上的张量的大小可以被这个值整除。在这种情况下，3不能工作(16/3 = 5.3333)，但4可以:

a = tf.constant([0, 1, 2, 3, 5, 6, 7, 8, 9, 10, 19, 20, 21, 22, 23, 24])
print(tf.split(a, 4))

输出:

[<tf.Tensor: shape=(4,), dtype=int32, numpy=array([0, 1, 2, 3], dtype=int32)>, <tf.Tensor: shape=(4,), dtype=int32, numpy=array([5, 6, 7, 8], dtype=int32)>, <tf.Tensor: shape=(4,), dtype=int32, numpy=array([ 9, 10, 19, 20], dtype=int32)>, <tf.Tensor: shape=(4,), dtype=int32, numpy=array([21, 22, 23, 24], dtype=int32)>]

假设数字连续的边界是未知的，指数可以使用相邻差有效地计算并提供给tf.split:

def compute_split_indices(x):
adjacent_diffs = x[1:] - x[:-1]  # compute adjacent differences
indices_where_not_continuous = tf.where(adjacent_diffs > 1) + 1
splits = tf.concat([indices_where_not_continuous[:1], indices_where_not_continuous[1:] -
indices_where_not_continuous[:-1]], axis=0)  # compute split sizes from the indices
splits_as_ints = [split.numpy().tolist()[0] for split in splits]  # convert to a list of integers for ease of use
final_split_sizes = splits_as_ints + [len(x) - sum(splits_as_ints)]  # account for the rest of the tensor
return final_split_sizes
if __name__ == "__main__":
a = tf.constant([0, 1, 2, 3, 5, 6, 7, 8, 9, 10, 19, 20, 21, 22, 23, 24])
splits = compute_split_indices(a)
print(tf.split(a, splits))

输出:

[<tf.Tensor: shape=(4,), dtype=int32, numpy=array([0, 1, 2, 3], dtype=int32)>, <tf.Tensor: shape=(6,), dtype=int32, numpy=array([ 5,  6,  7,  8,  9, 10], dtype=int32)>, <tf.Tensor: shape=(6,), dtype=int32, numpy=array([19, 20, 21, 22, 23, 24], dtype=int32)>]

请注意，输出结果与显式提供[4, 6, 6]时相同。