在张量流中迭代一个无维度的张量答案

【问题标题】：Iterate a tensor over a None dimension in tensorflow在张量流中迭代一个无维度的张量
【发布时间】：2023-04-05 21:55:01
【问题描述】：

如果我有一个与批量大小对应的第一维度为 None 的张量，例如：

tensor = tf.placeholder(tf.float32, shape=[None, 256, 256,3],name="placeholder_input")

现在我有一个张量函数“myfunc”，作用于大小为 [256,256,3] 的张量，我想应用与批次数一样多的次数，从而得到大小为 [None, 256, 256,3]。如果形状不是动态的，我会这样做：

output_tensor = tf.stack([myfunc(tensor [k,:,:,:] for k in range(BATCH_SIZE)])

如何处理动态形状？

【问题讨论】：

在 Mask_RCNN 的 repo 中有一个名为 batch_slice 的函数做同样的事情：github.com/matterport/Mask_RCNN/blob/master/mrcnn/utils.py#L801。
不要认为这是我的问题的解决方案，因为它需要一个批量大小，而在具有可变批量大小的动态形状的情况下，我没有这个批量大小

标签： python tensorflow deep-learning

【解决方案1】：

如果你真的想这样做，你可以使用tf.map_fn

否则你可以尝试直接处理原始张量（第一维=无）并在正确的轴上进行操作（无需循环）

【讨论】：

【解决方案2】：

在 Tensor Flow 中可以使用 tf.map_fn 和 tf.scan 对 None 进行迭代，但请确保在构建任何图形之前禁用 Eager Execution。

可以使用：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()

你可以这样做：

tensor = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 256, 256,3],name="placeholder_input")
output_tensor = tf.map_fn(lambda x : x, elems=(tensor))

输出：

<tf.Tensor 'map/TensorArrayV2Stack/TensorListStack:0' shape=(None, 256, 256, 3) dtype=float32>

这里不需要 tf.stack，因为 tf.map_fn() 会自动堆叠所有返回的张量

【讨论】：