在TF 2.0测试版中,我正在尝试:
x = tf.keras.layers.Input(shape=(240, 2), dtype=tf.float32)
print(x.shape) # (None, 240, 2)
a = x[:, :, 0]
print(a.shape) # <unknown>
在TF 1.x中,我可以做到:
x = tf1.placeholder(tf1.float32, (None, 240, 2)
a = x[:, :, 0]
它会正常工作。如何在 TF 2.0 中实现此目的?我认为
tf.split(x, 2, axis=2)
可能有效,但是我想使用切片而不是硬编码 2(轴 2 的暗淡(。
不同之处在于,从Input
返回的对象表示一个层,而不是类似于占位符或张量的任何内容。因此,上面 tf 2.0 代码中的x
是一个图层对象,而 tf 1.x 代码中的x
是张量的占位符。
您可以定义切片层来执行该操作。有开箱即用的图层可用,但对于像这样的简单切片,Lambda
图层非常容易阅读,并且可能最接近您在 tf 1.x 中习惯切片的方式。
像这样:
input_lyr = tf.keras.layers.Input(shape=(240, 2), dtype=tf.float32)
sliced_lyr = tf.keras.layers.Lambda(lambda x: x[:,:,0])
您可以在 keras 模型中使用它,如下所示:
model = tf.keras.models.Sequential([
input_lyr,
sliced_lyr,
# ...
# <other layers>
# ...
])
当然,以上是特定于keras模型的。相反,如果你有一个张量而不是一个 keras 层对象,那么切片的工作方式与以前完全相同。像这样:
my_tensor = tf.random.uniform((8,240,2))
sliced = my_tensor[:,:,0]
print(my_tensor.shape)
print(sliced.shape)
输出:
(8, 240, 2)
(8, 240)
不出所料