如何为 4d 张量中的 k 个最大元素创建一个单热张量？

Question

给定一个形状为 (2,3,3,1) 的张量，其中批量大小为 2，每个矩阵的形状为 (3,3,1)。如何从每个矩阵中找到 k 个最大元素并创建一个单热矩阵，以使这些 k 个位置的条目在其他位置为 1 和 0。 示例：（注意每个条目将是一个浮点数，为简单起见使用整数）

input_tensor=[[[1, 5, 7],
      [2, 8, 1],
      [3, 9, 1],
     ],
     [[0, 9, 5],
      [6, 0, 4],
      [3, 0, 8]
     ]
    ]

k=3 的单热张量：

output_tensor=[[[0, 0, 1],
      [0, 1, 0],
      [0, 1, 0],
     ],
     [[0, 1, 0],
      [1, 0, 0],
      [0, 0, 1]
     ]
    ]

tf.nn.top_k 将仅从最后一个维度返回 k 个最大元素。如何从 3d 张量 ex:(3,3,1) 中获取 k 个最大元素。 此外 tf.one_hot 将在每一行中为指定的深度和给定的索引放置一个，这不是这里的情况。

Answer 1

如果要从每个矩阵中找出k最大的元素，可以使用下面的方法。

import tensorflow as tf

input_tensor = tf.constant([[[1, 5, 7],[2, 8, 1],[3, 9, 1]],
                            [[0, 9, 5],[6, 0, 4],[3, 0, 8]]],dtype=tf.int32)

k_tf = tf.placeholder(shape=(),dtype=tf.int32)

temp = tf.reshape(input_tensor,shape=(input_tensor.shape[0],-1))
# [[1 5 7 2 8 1 3 9 1]
#  [0 9 5 6 0 4 3 0 8]]
result = tf.reduce_sum(tf.one_hot(indices=tf.nn.top_k(temp,k=k_tf)[1], depth=temp.shape[1]), axis=1)
# [[0. 0. 1. 0. 1. 0. 0. 1. 0.]
#  [0. 1. 0. 1. 0. 0. 0. 0. 1.]]
result = tf.reshape(result,input_tensor.shape)

with tf.Session() as sess:
    print('k=2:')
    print(sess.run(result, feed_dict={k_tf: 2}))
    print('k=3:')
    print(sess.run(result,feed_dict={k_tf:3}))

k=2:
[[[0. 0. 0.]
  [0. 1. 0.]
  [0. 1. 0.]]

 [[0. 1. 0.]
  [0. 0. 0.]
  [0. 0. 1.]]]
k=3:
[[[0. 0. 1.]
  [0. 1. 0.]
  [0. 1. 0.]]

 [[0. 1. 0.]
  [1. 0. 0.]
  [0. 0. 1.]]]

Answer 2

考虑到你的例子，它实际上是形状 2,3,3

output = tf.one_hot(tf.math.argmax(inp, 2), 3)

首先我们取所需轴上最大条目的索引，在本例中为 2。然后应用一个具有所需深度的热编码，3

Answer 3

import numpy as np
import tensorflow as tf

inputs=np.array([[[1, 5, 7],
      [2, 8, 1],
      [3, 9, 1],
     ],
     [[0, 9, 5],
      [6, 0, 4],
      [3, 0, 8]
     ]
    ])

j = tf.placeholder(tf.int32)
input_tensor = tf.placeholder(tf.float64, shape=(2,3,3))    
_, inds = tf.nn.top_k(input_tensor, 3)    
r = tf.reshape(inds[:,:,3-j], [-1])
encoded_tensor = tf.reshape(tf.one_hot(r, 3),tf.shape(input_tensor))

with tf.Session() as sess:
    for k in [1,2,3]:
        print ("K:",k)
        print (sess.run(encoded_tensor , feed_dict={j: k, input_tensor: inputs}))  

输出：

K: 1
[[[1. 0. 0.]
  [0. 0. 1.]
  [0. 0. 1.]]

 [[1. 0. 0.]
  [0. 1. 0.]
  [0. 1. 0.]]]
K: 2
[[[0. 1. 0.]
  [1. 0. 0.]
  [1. 0. 0.]]

 [[0. 0. 1.]
  [0. 0. 1.]
  [1. 0. 0.]]]
K: 3
[[[0. 0. 1.]
  [0. 1. 0.]
  [0. 1. 0.]]

 [[0. 1. 0.]
  [1. 0. 0.]
  [0. 0. 1.]]]

• 使用top_k获取顺序中的所有索引
• 根据k 的值选择所需的索引
• 展平并创建 3 级的 one-hot 编码（因为矩阵中的列是 3）
• 重塑为 input_tensor 的形状。