Python 可变项tensorflow中的相关矩阵

在tensorflow中，我需要一个k×k对称矩阵，其中对角线为常数1，非对角线项为变量

i、 e:

然后：

是否有一些straighforward tensorflow实现让我从

k

和

a

到

Rho

？求解相关矩阵是很常见的，所以我怀疑在tf中应该存在一个严格的实现

谢谢

一项提案

按照上面关于

k=3

的逻辑，从

a

得到一个严格的上三角矩阵

U

就足够了，然后

Rho

就是：

U = tf.[strictly_upper_triangular](a)
Rho = tf.eye(k) + U + tf.transpose(U)

---

是否有这样一个函数作为

[严格意义上的上三角]

？

这里有一种可能性：

import tensorflow as tf
import numpy as np

k = 5
# Using a constant instead now for testing
#a = tf.Variable(1.0 * tf.ones([(k * (k - 1)) // 2, 1]))
a = 10 * tf.range((k * (k - 1)) // 2, dtype=tf.float32) + 10
# Make indices and mask
idx = np.zeros((k, k), dtype=int)
mask = np.zeros((k, k), dtype=bool)
triu_idx = np.triu_indices(k, 1)
idx[triu_idx] = np.arange((k * (k - 1)) // 2)
mask[triu_idx] = True
# Make upper triangular matrix
u = tf.where(mask, tf.gather(a, idx), tf.zeros((k, k), dtype=a.dtype))
# Final matrix
Rho = tf.eye(k, dtype=u.dtype) + u + tf.transpose(u)
print(sess.run(Rho))

输出：

[[   1.   10.   20.   30.   40.]
 [  10.    1.   50.   60.   70.]
 [  20.   50.    1.   80.   90.]
 [  30.   60.   80.    1.  100.]
 [  40.   70.   90.  100.    1.]]

---

缺点是在图形构造时必须知道

k

，因为索引和掩码矩阵是用NumPy构造的。

对于较大的

k

，如何从

a

形成

Rho

？如何形成“Rho”实际上没有什么区别，但它的结构应该基于

k

。我举了一个例子，其中非对角线先按行填充，然后按列填充，下半部分是等价的。因此，应该有一些东西可以从

a

，将其称为

U

，然后我们可以做

Rho=tf.eye（k）+U+tf.transpose（U）

是

k

在图形构建时固定且已知的还是TensorFlow中间值？（也就是说，我可以使用

k

来构建一个NumPy矩阵，在图中用作常量吗？

k

在构建时就已经知道了。我提供了一个更新，但它似乎仍然不起作用。这到底是怎么回事？这只适用于

k=3

基本上，

a

的大小将是

k*（k-1）/2

当矩阵的大小是

[k，k]

@AOK对，现在我认为是固定的。顺便说一下，k*（k-1）总是可以被2整除，所以不需要

/

@AOK是的，你说得对，只是在Python3中

/

总是返回一个浮点，因此

np.arange

将返回一个浮点数组（在本例中这并不重要，因为它被强制转换为整数，但无论如何）。

import tensorflow as tf
import numpy as np

k = 5
# Using a constant instead now for testing
#a = tf.Variable(1.0 * tf.ones([(k * (k - 1)) // 2, 1]))
a = 10 * tf.range((k * (k - 1)) // 2, dtype=tf.float32) + 10
# Make indices and mask
idx = np.zeros((k, k), dtype=int)
mask = np.zeros((k, k), dtype=bool)
triu_idx = np.triu_indices(k, 1)
idx[triu_idx] = np.arange((k * (k - 1)) // 2)
mask[triu_idx] = True
# Make upper triangular matrix
u = tf.where(mask, tf.gather(a, idx), tf.zeros((k, k), dtype=a.dtype))
# Final matrix
Rho = tf.eye(k, dtype=u.dtype) + u + tf.transpose(u)
print(sess.run(Rho))

[[   1.   10.   20.   30.   40.]
 [  10.    1.   50.   60.   70.]
 [  20.   50.    1.   80.   90.]
 [  30.   60.   80.    1.  100.]
 [  40.   70.   90.  100.    1.]]