张量流:在函数内填充张量

Question

我想定义的是以下想法：

考虑是否有这些张量

a = tf.constant([1., 1.5, 1.2]) # tensor with shape [3,]
b = tf.constant([1., 2., 3.])   # ""
c = tf.constant([3., 0., 6.])   # ""
t = tf.constant([0.5, 0.6, 0.7, 2., 4., 5., 6.]) # tensor with shape [7,]

现在让我们考虑我想计算一个新的张量，使用以前张量的每个元素，例如：

def new_tensor(a, b, c, t):
X = tf.constant([[tf.sin(a*t[1]), b*t[3], c+t[4]], 
[tf.cos(b*t[5]), tf.atan2(t[5], c), a+t[2]+b],  
[a+t[4], a+b, c*t[0]]])
return X

X应该是形状[3, 3, 3]的张量。也就是说，我想定义一个函数，它将四个张量作为输入：其中三个具有相同的形状，第四个具有不同的形状。我希望函数为前三个输入(a, b, c(的每个值计算一个张量(X(。

使用此代码，TensorFlow 会给出此错误：

TypeError: List of Tensors when single Tensor expected

根据这篇文章，这是因为tf.constant不能将张量作为输入，他们建议改用tf.Variable。但我认为这不适合我，因为我以后必须使用X并且不想初始化它等。我也读过另一篇文章，但找不到我的问题的任何答案。

有什么方法可以做我想做的事吗？我的代码对我的目的有意义吗？提前谢谢你。

更新：带有jdehesa答案

取@jdehesa答案并使生成的张量更简单：

def new_tensor(a, b, c, t):
# Could also use tf.convert_to_tensor
X = tf.stack([[a+t[1],   b*t[1],    c+t[1]],
[b*t[0],  t[5]+ c,  a+t[2]+b],
[a+t[4],      a+b,   c*t[0]]])
return X

对于张量：

a = tf.constant([1., 1., 1.]) # tensor with shape [3,]
b = tf.constant([2., 2., 2.])   # ""
c = tf.constant([3., 3., 3.])   # ""
t = tf.constant([1., 1., 1., 1., 1., 1., 1.]) # tensor with shape [7,]

我得到的是以下张量：

# When evaluating x = new_tensor(a,b,c,t)
[[[2. 2. 2.]
[2. 2. 2.]
[4. 4. 4.]]
[[2. 2. 2.]
[4. 4. 4.]
[4. 4. 4.]]
[[2. 2. 2.]
[3. 3. 3.]
[3. 3. 3.]]]

但我所期望的是以下内容：

[[[2. 2. 4.]
[2. 4. 4.]
[2. 3. 3.]]
[[2. 2. 4.]
[2. 4. 4.]
[2. 3. 3.]]
[[2. 2. 4.]
[2. 4. 4.]
[2. 3. 3.]]]

正如我希望它评估输入张量的每个元素一样。

Answer 1

没错，你只能将 Python 或 NumPy 值传递给tf.constant，但你可以用tf.stack构建你的张量，或者，如果你愿意，通常用tf.convert_to_tensor：

import tensorflow as tf
def new_tensor(a, b, c, t):
# Could also use tf.convert_to_tensor
X = tf.stack([[tf.sin(a*t[1]),            b*t[3],   c+t[4]],
[tf.cos(b*t[5]), tf.atan2(t[5], c), a+t[2]+b],
[        a+t[4],               a+b,   c*t[0]]])
return X
with tf.Graph().as_default(), tf.Session() as sess:
a = tf.constant([1., 1.5, 1.2]) # tensor with shape [3,]
b = tf.constant([1., 2., 3.])   # ""
c = tf.constant([3., 0., 6.])   # ""
t = tf.constant([0.5, 0.6, 0.7, 2., 4., 5., 6.]) # tensor with shape [7,]
x = new_tensor(a, b, c, t)
print(sess.run(x))
# [[[ 0.5646425   0.7833269   0.65938467]
#   [ 2.          4.          6.        ]
#   [ 7.          4.         10.        ]]
# 
#  [[ 0.2836622  -0.8390715  -0.7596879 ]
#   [ 1.0303768   1.5707964   0.69473827]
#   [ 2.7         4.2         4.9       ]]
# 
#  [[ 5.          5.5         5.2       ]
#   [ 2.          3.5         4.2       ]
#   [ 1.5         0.          3.        ]]]

---

编辑：对于第二个示例，要获得所需的结果，您需要使用tf.transpose来更改张量维度的顺序：

import tensorflow as tf
def new_tensor(a, b, c, t):
# Could also use tf.convert_to_tensor
X = tf.stack([[a+t[1],   b*t[1],    c+t[1]],
[b*t[0],  t[5]+ c,  a+t[2]+b],
[a+t[4],      a+b,   c*t[0]]])
X = tf.transpose(X, (2, 0, 1))
return X
with tf.Graph().as_default(), tf.Session() as sess:
a = tf.constant([1., 1., 1.]) # tensor with shape [3,]
b = tf.constant([2., 2., 2.])   # ""
c = tf.constant([3., 3., 3.])   # ""
t = tf.constant([1., 1., 1., 1., 1., 1., 1.]) # tensor with shape [7,]
x = new_tensor(a, b, c, t)
print(sess.run(x))
# [[[2. 2. 4.]
#   [2. 4. 4.]
#   [2. 3. 3.]]
# 
#  [[2. 2. 4.]
#   [2. 4. 4.]
#   [2. 3. 3.]]
# 
#  [[2. 2. 4.]
#   [2. 4. 4.]
#   [2. 3. 3.]]]