循环张紧并将功能应用于每个元素

Question

我想在包含 Int列表的张量上循环，并将函数应用于每个元素。在功能中，每个元素都会从python的dict中获取值。我尝试使用tf.map_fn的简单方法，该方法将在add函数上使用，例如以下代码：

import tensorflow as tf
def trans_1(x):
    return x+10
a = tf.constant([1, 2, 3])
b = tf.map_fn(trans_1, a)
with tf.Session() as sess:
    res = sess.run(b)
    print(str(res))
# output: [11 12 13]

但是以下代码抛出 KeyError: tf.Tensor'map_8/while/TensorArrayReadV3:0' shape=() dtype=int32异常：

import tensorflow as tf
kv_dict = {1:11, 2:12, 3:13}
def trans_2(x):
    return kv_dict[x]
a = tf.constant([1, 2, 3])
b = tf.map_fn(trans_2, a)
with tf.Session() as sess:
    res = sess.run(b)
    print(str(res))

我的TensorFlow版本是1.13.1。谢谢。

Answer 1

有一种简单的方法可以实现，您正在尝试什么。

问题是传递给map_fn的函数必须具有张量作为其参数，而张量作为返回值。但是，您的功能trans_2将普通的Python int作为参数，并返回另一个Python int。这就是为什么您的代码不起作用的原因。

但是，TensorFlow提供了一种简单的方法来包装普通Python函数(即tf.py_func(，您可以在情况下使用它：

import tensorflow as tf
kv_dict = {1:11, 2:12, 3:13}
def trans_2(x):
    return kv_dict[x]
def wrapper(x):
    return tf.cast(tf.py_func(trans_2, [x], tf.int64), tf.int32)
a = tf.constant([1, 2, 3])
b = tf.map_fn(wrapper, a)
with tf.Session() as sess:
    res = sess.run(b)
    print(str(res))

您可以看到我添加了一个包装器功能，该功能期望张量参数并返回张量，这就是为什么可以在map_fn中使用它的原因。使用铸件是因为Python默认使用64位整数，而TensorFlow使用32位整数。

Answer 2

您不能使用这样的函数，因为参数x是张量张量，而不是python值。因此，为了工作，您也必须将字典变成张量，但这并不是那么简单，因为字典中的键可能不是顺序的。

您可以不用映射解决此问题，而可以做类似于Numpy提出的事情的事情。在TensorFlow中，您可以这样实现：

import tensorflow as tf
def replace_by_dict(x, d):
    # Get keys and values from dictionary
    keys, values = zip(*d.items())
    keys = tf.constant(keys, x.dtype)
    values = tf.constant(values, x.dtype)
    # Make a sequence for the range of values in the input
    v_min = tf.reduce_min(x)
    v_max = tf.reduce_max(x)
    r = tf.range(v_min, v_max + 1)
    r_shape = tf.shape(r)
    # Mask replacements that are out of the input range
    mask = (keys >= v_min) & (keys <= v_max)
    keys = tf.boolean_mask(keys, mask)
    values = tf.boolean_mask(values, mask)
    # Replace values in the sequence with the corresponding replacements
    scatter_idx = tf.expand_dims(keys, 1) - v_min
    replace_mask = tf.scatter_nd(
        scatter_idx, tf.ones_like(values, dtype=tf.bool), r_shape)
    replace_values = tf.scatter_nd(scatter_idx, values, r_shape)
    replacer = tf.where(replace_mask, replace_values, r)
    # Gather the replacement value or the same value if it was not modified
    return tf.gather(replacer, x - v_min)
# Test
kv_dict = {1: 11, 2: 12, 3: 13}
with tf.Graph().as_default(), tf.Session() as sess:
    a = tf.constant([1, 2, 3])
    print(sess.run(replace_by_dict(a, kv_dict)))
    # [11, 12, 13]

这将允许您在没有替换的情况下(左(中的输入张量中具有值，并且也不需要在张量中具有所有替换值。除非输入中的最小值和最大值很远，否则它应该是有效的。