List 在while\u loop TensorFlow函数中为列表编制索引

你好

我有个问题。我实际上有一个占位符列表（realpythonlist）。 我的列表长度为n（=以下代码中的T），如下所示：

我的列表=[[D0，K]，[D1，K]，…[Dn，K]]

不需要相同尺寸的Di。这就是我使用列表的原因（因为我无法在没有填充的情况下将此列表转换为张量）

我想做的是：

temp=[]
对于步进范围（T）：
临时追加（tf.减少总和（x[步进]，轴=0））
总和=tf.堆栈（温度）

其中x=my_列表，长度n。 这段代码将转换我的输入列表x，如下所示：

[[D0，K]，[D1，K]，…[Dn，K]]

进入

[n，K]

其中，我实际对每个Di行求和，因此，大小为[n，K]的新张量的第j行包含：sum（[Dj，K]，axis=0）

问题是如果我使用python来。。。loop我不确定反向传播是否真的会起作用（我对TensorFlow很陌生，但我认为如果我不使用while\u loop函数，我的操作将不会添加到图中，因此使用本机python for loop没有意义？）

所以我试着用tensorflow while_循环重新编码这段代码。 代码如下：

def reduce_it（i，输出）：
i_row=tf.reduce_sum（x[i]，axis=0）#x[i]抛出一个错误，因为i是张量
输出=输出。写入（i，i_行）
返回i+1，输出
temp=tf.TensorArray（数据类型=tf.float32，推断形状=False，大小=1，
动态（单位大小=真）
_，temp=tf.while_循环（λi，*args:tf.less（i，T），
降低温度[0，温度]）
temp=临时堆栈（）

我已经看到有人问过这个问题，但没有人能给他一个解决办法。我试图将张量I转换为整数，方法是传递一个numpy数组，在while循环中我在该数组上添加元素，以获得该数组的形状：

def reduce_it（arr，输出）：
idx=arr.shape[0]-1#使用数组的shape[0]作为i
i_行=tf。减少总和（x[idx]，轴=0）
输出=输出写入（tf.常数（[idx]），i_行）
arr=np.append（arr，0）
返回arr，输出
temp=tf.TensorArray（数据类型=tf.float32，推断形状=False，大小=1，
动态（单位大小=真）
_，temp=tf.while_循环（λarr，*args:tf.less（arr.shape[0]，T），
减少它，[np.array（[0]），temp]）
temp=临时堆栈（）

但它不起作用，因为我的数组的形状在循环过程中发生了变化，所以我可能需要使用while_循环的shape_不变量选项，但我没有找到一个工作代码

此外，我还通过添加填充将列表转换为张量，这样我的张量大小为：[T，max（Di），K]，但我仍然需要知道我在循环的每次迭代中使用的是哪个维度的Di，这意味着我需要创建一个大小为n的张量（1d数组），其中Di作为位置I上的数字：

my_张量=[D1，D2，…，Dn]

然后我需要在while循环中收集Di，但如果我只是这样做：

my_dim=tf.gather（my_张量，i）

我只收集一个张量，需要一个整数

我认为我无法定义会话并恢复我的_dim.eval（），因为这段代码是我的模块的一部分，然后在培训期间调用该模块（此时我创建了一个会话）

TF的一些专家能想到一个解决方法或黑客

先谢谢你

注意：填充也是一种解决方案，但实际上在我的代码后面，我需要得到大小为[Di，K]的每个初始矩阵，因此如果我填充[Di，K]，以便可以构建形状张量：

[n，最大值（Dn），K]

然后，我仍然需要恢复每个[Di，K]，以便能够使用具有正确维度的tf.matmul（）（例如操作）。所以填充实际上不是我的解决方案

---

我希望我的帖子足够清晰。

在下面找到一个可能的解决方案，但是我不建议对

t

的大值使用这个方法（这个方法创建的操作与

我的列表中的元素一样多）

你用零填充张量的想法似乎是个好主意。如果我正确理解您的最终目标，那么这些额外的零不应该影响您的
tf。减少总和（x[idx]，axis=0）
（但是，由于与以前相同的原因，对于较大的
t
，可能不建议使用此解决方案）

最后，您还可以尝试将代码转换为使用和


使用
tf.case（）和
tf.while\u loop（）解决方案
将tensorflow导入为tf
将numpy作为np导入
T=10
my_list=[tf.ones（（np.random.randint（2,42））（对于范围（T）内的i）]#随机大小张量列表
def reduce_it（i，输出）：
获取\u列表\u元素的\u lambda\u=lambda idx:lambda:my\u list[idx]
cases={tf.equal（i，idx）：获取范围（len（my_list））内idx的_列表元素（idx）的_lambda_}
x=tf.case（cases，exclusive=True）
#我不清楚我的_列表包含什么/你的循环应该计算什么。
#下面是一个假设循环计算的玩具示例：
#输出[i]=tf.范围（T）内i的减少_和（我的_列表[i]）
i_行=tf.减少总和（x）
指数=tf.范围（0，T）
输出=tf.where（tf.equal（索引，i），tf.tile（tf.expand_dims（i_行，0），[T]），输出）
返回i+1，输出
温度=温度零点（（T））
_，temp=tf.while_循环（lambda i，*args:tf.less（i，T），reduce_it，[0，temp]）
使用tf.Session（）作为sess：
res=sess.运行（温度）
打印（res）
# [37.  2. 22. 16. 37. 40. 10.  3. 12. 26.]
#检查值是否正确：
打印（[sess.run（tf.reduce_sum（tensor）），用于我的列表中的张量]）
# [37.0, 2.0, 22.0, 16.0, 37.0, 40.0, 10.0, 3.0, 12.0, 26.0]

使用
tf.pad（）解决方案
导入张量