Numpy Tensorflow：如何在没有np的情况下根据条件随机选择元素？

我有3个tensorflow数组（

a

，

b

，

valid_entries

），它们共享前两个维度

[T，N，？]

。其中一个数组的“有效\u项”具有带布尔值的形状

[T，N，1]

。我想随机抽样

T*M

2个索引元组（

M

），这样所有这些索引的

有效项[T，M]==1

换句话说，对于每个时间步，我想从

a

和

b

中随机选择M个有效条目

我认为在numpy中，这个任务可以通过执行以下操作来解决（为了简单起见，让我们跳过第一维度T）：

然而，所有这些都需要在Tensorflow中发生

---

非常感谢您的帮助

这里有一个函数可以：

import tensorflow as tf

def sample_indices(valid, m, seed=None):
    valid = tf.convert_to_tensor(valid)
    n = tf.size(valid)
    # Flatten boolean tensor
    valid_flat = tf.reshape(valid, [n])
    # Get flat indices where the tensor is true
    valid_idx = tf.boolean_mask(tf.range(n), valid_flat)
    # Shuffled valid indices
    valid_idx_shuffled = tf.random.shuffle(valid_idx, seed=seed)
    # Pick sample from shuffled indices
    valid_idx_sample = valid_idx_shuffled[:m]
    # Unravel indices
    return tf.transpose(tf.unravel_index(valid_idx_sample, tf.shape(valid)))

with tf.Graph().as_default(), tf.Session() as sess:
    valid = [[ True,  True, False,  True],
             [False,  True,  True, False],
             [False,  True, False, False]]
    m = 4
    print(sess.run(sample_indices(valid, m, seed=0)))
    # [[1 1]
    #  [1 2]
    #  [0 1]
    #  [2 1]]

这个

样本索引

对于任何形状的布尔张量都是通用的。如果在您的例子中，

valid\u entries

具有shape

（T，N，1）

，那么您将得到一个输出为shape

（M，3）

的张量，尽管您可以忽略最后一列，因为它总是为零（或者您可以通过

tf.squence（valid\u entries，axis=2）

）

---

注意：最后一个

tf.transpose

只是将一个带有形状

（样本大小，数值尺寸）

的张量作为输出，而不是相反。但是，如果

m

相当大，并且您不介意维度的顺序，您可以跳过它以节省一点时间和内存，因为（与它的NumPy对应物不同）

tf.transpose

产生一个全新的张量。

太棒了，谢谢！仅供参考，然后我使用

tf.gather

对索引列表进行索引/切片。

import tensorflow as tf

def sample_indices(valid, m, seed=None):
    valid = tf.convert_to_tensor(valid)
    n = tf.size(valid)
    # Flatten boolean tensor
    valid_flat = tf.reshape(valid, [n])
    # Get flat indices where the tensor is true
    valid_idx = tf.boolean_mask(tf.range(n), valid_flat)
    # Shuffled valid indices
    valid_idx_shuffled = tf.random.shuffle(valid_idx, seed=seed)
    # Pick sample from shuffled indices
    valid_idx_sample = valid_idx_shuffled[:m]
    # Unravel indices
    return tf.transpose(tf.unravel_index(valid_idx_sample, tf.shape(valid)))

with tf.Graph().as_default(), tf.Session() as sess:
    valid = [[ True,  True, False,  True],
             [False,  True,  True, False],
             [False,  True, False, False]]
    m = 4
    print(sess.run(sample_indices(valid, m, seed=0)))
    # [[1 1]
    #  [1 2]
    #  [0 1]
    #  [2 1]]