如何在张量流中显式广播张量以匹配另一个形状？

Question

我有三个张量，张量流中的A, B and C，A 和B 的形状都是(m, n, r)，C 是形状为(m, n, 1) 的二元张量。

我想根据C 的值从A 或B 中选择元素。最明显的工具是tf.select，但它没有广播语义，所以我需要先将C 显式广播成与A 和B 相同的形状。

这是我第一次尝试如何做到这一点，但它不喜欢我将张量 (tf.shape(A)[2]) 混合到形状列表中。

import tensorflow as tf
A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.random_normal([20, 100, 1])
C = tf.greater_equal(C, tf.zeros_like(C))

C = tf.tile(C, [1,1,tf.shape(A)[2]])
D = tf.select(C, A, B)

这里的正确方法是什么？

Answer 1

在最新的tensorflow版本（2.0）中，您可以使用tf.broadcast_to如下：

import tensorflow as tf

A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.random_normal([20, 100, 1])
C = tf.greater_equal(C, tf.zeros_like(C))
C = tf.broadcast_to(C, A.shape)

D = tf.where(C,A,B)

Answer 2

编辑：在自 0.12rc0 以来的所有 TensorFlow 版本中，问题中的代码都可以直接运行。 TensorFlow 会自动将张量和 Python 数字堆叠到张量参数中。以下使用 tf.pack() 的解决方案仅在 0.12rc0 之前的版本中需要。请注意，tf.pack() 在 TensorFlow 1.0 中已重命名为 tf.stack()。

---

您的解决方案非常接近工作。您应该替换该行：

C = tf.tile(C, [1,1,tf.shape(C)[2]])

...带有以下内容：

C = tf.tile(C, tf.pack([1, 1, tf.shape(A)[2]]))

（问题的原因是 TensorFlow 不会将张量列表和 Python 文字隐式转换为张量。tf.pack() 采用张量列表，因此它将转换其输入中的每个元素（@ 987654329@、1 和 tf.shape(C)[2]) 转换为张量。由于每个元素都是标量，因此结果将是向量。）

Answer 3

import tensorflow as tf

def broadcast(tensor, shape):
     """Broadcasts ``x`` to have shape ``shape``.
                                                                   |
     Uses ``tf.Assert`` statements to ensure that the broadcast is
     valid.

     First calculates the number of missing dimensions in 
     ``tf.shape(x)`` and left-pads the shape of ``x`` with that many 
     ones. Then identifies the dimensions of ``x`` that require
     tiling and tiles those dimensions appropriately.

     Args:
         x (tf.Tensor): The tensor to broadcast.
         shape (Union[tf.TensorShape, tf.Tensor, Sequence[int]]): 
             The shape to broadcast to.

     Returns:
         tf.Tensor: ``x``, reshaped and tiled to have shape ``shape``.

     """
     with tf.name_scope('broadcast') as scope:
         shape_x = tf.shape(x)
         rank_x = tf.shape(shape0)[0]
         shape_t = tf.convert_to_tensor(shape, preferred_dtype=tf.int32)
         rank_t = tf.shape(shape1)[0]

         with tf.control_dependencies([tf.Assert(
             rank_t >= rank_x,
             ['len(shape) must be >= tf.rank(x)', shape_x, shape_t],
             summarize=255
         )]):
             missing_dims = tf.ones(tf.stack([rank_t - rank_x], 0), tf.int32)

         shape_x_ = tf.concat([missing_dims, shape_x], 0)
         should_tile = tf.equal(shape_x_, 1)

         with tf.control_dependencies([tf.Assert(
             tf.reduce_all(tf.logical_or(tf.equal(shape_x_, shape_t), should_tile),
             ['cannot broadcast shapes', shape_x, shape_t],
             summarize=255
         )]):
             multiples = tf.where(should_tile, shape_t, tf.ones_like(shape_t))
             out = tf.tile(tf.reshape(x, shape_x_), multiples, name=scope)

         try:
             out.set_shape(shape)
         except:
             pass

         return out

A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.random_normal([20, 100, 1])

C = broadcast(C, A.shape)
D = tf.select(C, A, B)

Answer 4

这是一个肮脏的黑客：

import tensorflow as tf

def broadcast(tensor, shape):
    return tensor + tf.zeros(shape, dtype=tensor.dtype)

A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.random_normal([20, 100, 1])

C = broadcast(C, A.shape)
D = tf.select(C, A, B)