是否存在等效于 np.empty 的张量流?

Question

Numpy 有这个辅助函数 np.empty，它将：

返回给定形状和类型的新数组，而不初始化条目。

当我想使用 tf.concat 创建张量时，我发现它非常有用，因为：

输入张量的维数必须匹配，并且除轴外的所有维数必须相等。

因此，从预期形状的空张量开始会派上用场。有没有办法在张量流中实现这一点？

[编辑]

我为什么想要这个的简化示例

netInput = np.empty([0, 4])
netTarget = np.empty([0, 4])
inputWidth = 2
for step in range(data.shape.as_list()[-2]-frames_width-1):
netInput = tf.concat([netInput, data[0, step:step + frames_width, :]], -2)
target = tf.concat([target, data[0, step + frames_width + 1:step + frames_width + 2, :]], -2)

在此示例中，如果初始化了 netInput 或 netTarget，我将在初始化中连接一个额外的示例。要使用第一个值初始化它们，我需要破解循环。没什么市长，我只是想知道是否有一种"张量流"方法来解决这个问题。

Answer 1

在 TF 2 中，

tensor = tf.reshape(tf.convert_to_tensor(()), (0, n))

为我工作。

Answer 2

如果你正在创建一个空张量，tf.zeros可以

>>> a = tf.zeros([0, 4])
>>> tf.concat([a, [[1, 2, 3, 4], [5, 6, 7, 8]]], axis=0)
<tf.Tensor: shape=(2, 4), dtype=float32, numpy=
array([[1., 2., 3., 4.],
[5., 6., 7., 8.]], dtype=float32)>

Answer 3

您可以做的最接近的事情是创建一个不初始化的变量。如果使用tf.global_variables_initializer()初始化变量，请通过设置collections=[]来禁用在初始化期间将变量放入全局变量列表中。

例如

import numpy as np
import tensorflow as tf
x = tf.Variable(np.empty((2, 3), dtype=np.float32), collections=[])
y = tf.Variable(np.empty((2, 3), dtype=np.float32))
sess = tf.InteractiveSession()
tf.global_variables_initializer().run()
# y has been initialized with the content of "np.empty"
y.eval()
# x is not initialized, you have to do it yourself later
x.eval()

这里提供np.empty只是为了x指定其形状和类型，而不是用于初始化。

现在对于诸如tf.concat之类的操作，您实际上没有(实际上不能(自己管理内存 - 您不能像某些numpy函数允许您的那样预先分配输出。Tensorflow已经管理内存并执行智能技巧，例如如果检测到可以这样做，则为输出重用内存块。