Matrix 仅乘以tensorflow数组的某些列

我目前正在修改我的一个目标检测神经网络的损失函数。我基本上有两个数组

是真的：预测的标签。形状（x，y，z）的tf张量 y_pred：预测值。tf形状张量（x，y，z）-x维度是批量大小，y维度是图像中预测对象的数量，z维度包含类的一个热编码以及所述类的边界框

现在是真正的问题：我想做的基本上是将y_pred中的前5个z值与y_true中的前5个z值相乘。所有其他值应保持不受影响。在努比，它非常直截了当

y_pred[:,:,:5] *= y_true[:,:,:5]

---

我发现在tensorflow中很难做到这一点，因为我不能给原始的张量赋值，我想保持所有其他值不变。如何在tensorflow中实现这一点？

自1.1版以来，tensorflow涵盖了类似Numpy的索引，请参阅

将tensorflow导入为tf
使用tf.Session（）作为sess：
y_pred=tf.常数（[[1,2,3,4,5,6,7,8,9,10]，[10,20,30,40,50,60,70,80,90100]]
y_true=tf.常数（[[1,2,3,4,5,6,7,8,9,10]，[10,20,30,40,50,60,70,80,90100]]
打印（（y_pred[：，：，：5]*y_true[：，：，：5]）.eval（））
# [[[   1    4    9   16   25]
#   [ 100  400  900 1600 2500]]]

评论后编辑：

现在，问题是“*=”部分，即项目分配。在Tensorflow中，这不是一个简单的操作。但是，在您的情况下，可以使用或（+可用于更复杂的情况）轻松解决此问题

下面是前两个解决方案的快速实现

使用Tensor.getitem和tf.concat的解决方案：

将tensorflow导入为tf
使用tf.Session（）作为sess：
y_pred=tf.常数（[[1,2,3,4,5,6,7,8,9,10]]
y_true=tf.常数（[[1,2,3,4,5,6,7,8,9,10]]
#tf.where不能将条件应用于任何轴（参见文档）。
#在您的情况下（第二轴上的情况），我们需要手动广播
#条件张量，或转置目标张量。
#下面是第二个解决方案的快速演示：
y_pred_edit=y_pred[：，：，：5]*y_true[：，：，：5]
y_pred_rest=y_pred[：，：，4:]
y_pred=tf.concat（（y_pred_edit，y_pred_rest），轴=2）
打印（y_pred.eval（））
# [[[ 1  4  9 16 25  6  7  8  9 10]]]

使用tf的解决方案。其中：

将tensorflow导入为tf
def选择第一个索引（n，批次大小）：
“”“返回长度为“批大小”且前n个元素为True的列表
其余为假，即[*[[True]*n]，*[[False]*（批次大小-n）]。
"""
n_one=tf.one（（n））
剩余零=tf.zeros（（批量大小-n））
索引=tf.cast（tf.concat（（n个1，其余0），轴=0，数据类型=tf.bool）
回报指数
使用tf.Session（）作为sess：
y_pred=tf.常数（[[1,2,3,4,5,6,7,8,9,10]]
y_true=tf.常数（[[1,2,3,4,5,6,7,8,9,10]]
#tf.where不能将条件应用于任何轴（参见文档）。
#在您的情况下（第二轴上的情况），我们需要手动广播
#条件张量，或转置目标张量。
#下面是第二个解决方案的快速演示：
y_pred_transposed=tf.转置（y_pred，[2,0,1]）
y_-true_-transposed=tf.transpose（y_-true[2,0,1]）
编辑索引=选择第一个索引（5，tf.shape（y\u pred\u transposed）[0]）
y_pred_transposed=tf.其中（条件=编辑索引，
x=y_pred_transposed*y_true_transposed，y=y_pred_transposed）
#调回：
y_pred=tf.transpose（y_pred_transposed，[1,2,0]）
打印（y_pred.eval（））
# [[[ 1  4  9 16 25  6  7  8  9 10]]]

好吧，很酷，但是如何保留其他值？我仍然想要形状的数组（x，y，z），这会给我一个（x，y，5）的数组吗？如何将（x，y，5）赋值回y_pred，这样我就有了相乘的列和未相乘的边界框？是的，我的错，我注意到后来我只回答了你一半的问题。我编辑了一个更完整的解决方案。