我试图以
python的方式处理一个可变大小的张量,如下所示：
# X is of shape [m,n]
for x in X:
process(x)
我试图使用tf.scan,问题是我想处理每个子张量,所以我试图使用嵌套扫描,但是我启用了它,因为tf.scan可以使用累加器,如果没有发现它将把elems的第一个条目作为初始化器,我不想这样做.
举个例子,假设我想在张量的每个元素中添加一个(这只是一个例子),我想逐个元素地处理它.如果我运行下面的代码,我将只添加一个子张量,因为扫描将第一个张量视为初始化器,以及每个子张量的第一个元素.
import numpy as np
import tensorflow as tf
batch_x = np.random.randint(0,10,size=(5,10))
x = tf.placeholder(tf.float32,shape=[None,10])
def inner_loop(x_in):
return tf.scan(lambda _,x_: x_ + 1,x_in)
outer_loop = tf.scan(lambda _,input_: inner_loop(input_),x,back_prop=True)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
rs = sess.run(outer_loop,Feed_dict={x: batch_x})
有什么建议 ？
解决方法
tensorflow内置函数的大多数可以元素应用.所以你可以将张量传递给函数.喜欢：
outer_loop = inner_loop(x)
但是,如果你有一些无法以这种方式应用的函数(它真的很容易看到这个函数),你可以使用map_fn.
inputs = tf.placeholder...
def my_elementwise_func(x):
return x + 1
def recursive_map(inputs):
if tf.shape(inputs).ndims > 0:
return tf.map_fn(recursive_map,inputs)
else:
return my_elementwise_func(inputs)
result = recursive_map(inputs)