我在玩map_fn函数,注意到它输出了一个张量阵列,这意味着它能够输出“锯齿状”张量(其中内部的张量具有不同的第一维度)。在
我试着用这段代码来证明这一点:
import tensorflow as tf
import numpy as np
NUM_ARRAYS = 1000
MAX_LENGTH = 1000
lengths = tf.placeholder(tf.int32)
tArray = tf.map_fn(lambda x: tf.random_normal((x,), 0, 1),
lengths,
dtype=tf.float32) # Should return a TensorArray.
# startTensor = tf.random_normal((tf.reduce_sum(lengths),), 0, 1)
# tArray = tf.TensorArray(tf.float32, NUM_ARRAYS)
# tArray = tArray.split(startTensor, lengths)
# outArray = tArray.concat()
with tf.Session() as sess:
outputArray, l = sess.run(
[tArray, lengths],
feed_dict={lengths: np.random.randint(MAX_LENGTH, size=NUM_ARRAYS)})
print outputArray.shape, l
但是,得到的错误是:
张量阵列的形状不一致。索引0的形状为:[259],但索引1的形状为:[773]”
这当然让我感到惊讶,因为我的印象是张量阵列应该能够处理它。我错了?在
虽然^{} 确实在内部使用^{} 对象,并且
tf.TensorArray
可以容纳不同大小的对象,但是这个程序不会正常工作,因为tf.map_fn()
通过将元素堆叠在一起,将其tf.TensorArray
结果转换回tf.Tensor
,而这个操作失败了。在但是,您可以使用较低的^{} 操作来实现基于
tf.TensorArray
的操作:相关问题 更多 >
编程相关推荐