Python tensorflow：沿第二维度切片张量

我有一个张量X，它的形状是（无，56300，1），还有一个张量y，它的形状是（无，15），这些张量的第一维是批量大小，我想用y作为索引得到一个张量z，z的形状是（无，15300，1）。有什么像样的方法可以做到这一点吗

我写了一个简单的代码来测试，因为我发现这对我来说很难，因为在实践中我不知道批量大小（这些张量的第一维是无的）

以下是我的测试代码：

将numpy导入为np
导入tensorflow作为tf
#在本测试代码中，批次大小为4。
#参数的形状是（4,3,2,1），实际上是（无，56300,1），
参数=[
[a0']、[b0']、[d0']、[e0']、[f0']、[g0']]，
[a1']、[b1']、[d1']、[e1']、[f1']、[g1']]，
[a2']，[b2']，[d2']，[e2']，[f2']，[g2']，
[a3']、[b3']、[d3']、[e3']、[f3']、[g3']，
]
#ind的形状是（4，2）（实际上是（无，15）），
#所以我想得到输出，它的形状是（4，2，2，1），（实际上是（无，15300，1））
ind=[[1,0]，[0,2]，[2,0]，[2,1]]
#输出=[
#[d0']，[e0']，[a0']，[b0']]，
#[a1']、[b1']、[f1']、[g1']]，
#[f2']，[g2']，[a2']，[b2']]，
#[['f3']，['g3']，[['d3']，['e3']]
#]
使用tf.variable_scope（'gather'）作为作用域：
tf_par=tf.常数（参数）
tf_ind=tf.常数（ind）
res=tf.聚集（tf\u par，tf\u ind）
使用tf.Session（）作为sess：
init=tf.global_variables_initializer（）
打印sess.run（res）
打印资源

对于您假设的结果，您应该使用：

ind = [[0, 1], [0, 0], [1, 0], [1, 2], [2, 2], [2, 0], [3, 2], [3, 1]]

更新

通过当前输入，您可以使用此代码获取所需内容：

with tf.variable_scope('gather') as scope:
    tf_par = tf.constant(params)
    tf_ind = tf.constant(ind)

    tf_par_shape = tf.shape(tf_par)
    tf_ind_shape = tf.shape(tf_ind)
    tf_r = tf.div(tf.range(0, tf_ind_shape[0] * tf_ind_shape[1]), tf_ind_shape[1])
    tf_r = tf.expand_dims(tf_r, 1)
    tf_ind = tf.expand_dims(tf.reshape(tf_ind, shape = [-1]), 1)
    tf_ind = tf.concat([tf_r, tf_ind], axis=1)

    res = tf.gather_nd(tf_par, tf_ind)
    res = tf.reshape(res, shape = (-1, tf_ind_shape[1], tf_par_shape[2], tf_par_shape[3]))

---

对于您假设的结果，您应该使用：

ind = [[0, 1], [0, 0], [1, 0], [1, 2], [2, 2], [2, 0], [3, 2], [3, 1]]

更新

通过当前输入，您可以使用此代码获取所需内容：

with tf.variable_scope('gather') as scope:
    tf_par = tf.constant(params)
    tf_ind = tf.constant(ind)

    tf_par_shape = tf.shape(tf_par)
    tf_ind_shape = tf.shape(tf_ind)
    tf_r = tf.div(tf.range(0, tf_ind_shape[0] * tf_ind_shape[1]), tf_ind_shape[1])
    tf_r = tf.expand_dims(tf_r, 1)
    tf_ind = tf.expand_dims(tf.reshape(tf_ind, shape = [-1]), 1)
    tf_ind = tf.concat([tf_r, tf_ind], axis=1)

    res = tf.gather_nd(tf_par, tf_ind)
    res = tf.reshape(res, shape = (-1, tf_ind_shape[1], tf_par_shape[2], tf_par_shape[3]))

---

使用

ind

沿第二维度切片

x

，即切片

• 形状

  （d0，d1，d2，…）的张量
  x
  ，
  d0
  可能为
  无

• 使用形状

  （d0，n1）

  的索引

  ind

  张量
• 要获得形状为（d0，n1，d2，…）的张量

  y

您可以使用

tf.gather\n和
tf.shape
在运行时获取形状：

ind_shape = tf.shape(ind)
ndind = tf.stack([tf.tile(tf.range(ind_shape[0])[:, None], [1, ind_shape[1]]),
                  ind], axis=-1)
y = tf.gather_nd(x, ndind)

使用
ind
沿第二维度切片
x
，即切片


形状
（d0，d1，d2，…）的张量
x
，
d0
可能为
无

使用形状
（d0，n1）
的索引
ind
张量
要获得形状为（d0，n1，d2，…）的张量
y

您可以使用
tf.gather\n和
tf.shape
在运行时获取形状：

ind_shape = tf.shape(ind)
ndind = tf.stack([tf.tile(tf.range(ind_shape[0])[:, None], [1, ind_shape[1]]),
                  ind], axis=-1)
y = tf.gather_nd(x, ndind)

你能在这里添加你对示例代码的期望结果吗？据我理解，
[1,0]
应该是
[[a1']，['b1']
，但是你的期望是
[[d0']，['e0']
@YuwenYan[[a0']，['b0']，['d0']，['e0']，['f0']，['g0']]是第一个示例。[1,0]对第一个样本的响应，因此答案应该是['d0']、['e0']、['a0']、['b0']]。注意ind的长度是4，每个元素对param中每个样本的响应是否可以将样本编码的预期结果添加到这里，据我理解，
[1,0]
应该是
[['a1']，['b1']
，但是您的预期是
['d0']，['e0']
@YuwenYan[['a0']，['b0']，['d0']，['f0']，['g0']这是第一个样本。[1,0]对第一个样本的响应，因此答案应该是['d0']、['e0']、['a0']、['b0']]。请注意，ind的长度是4，每个元素响应paramsys中的每个样本，我正在尝试这样做。但这样，我必须指定批次大小。是的，我正在尝试这样做。但是用这种方式，我必须指定批量大小。是否要评论否决票？我看到你的代表在弗拉基米尔身上跌了1分，那肯定不是你？是的，我可以解释我投的反对票。即使我将
X
更改为
tf\u par
并将
y
更改为
tf\u ind
，您的代码也不起作用。我认为最好是给出问题中的代码示例。抱歉。@Vladimir是的，由于OP第一段中对问题的描述，有一个硬编码的
15
，这确实与他后面的示例不一致。我用一个更通用的
tf.shape（y）[1]
替换了它，它现在应该在所有情况下都能工作了。要不要评论一下否决票？我看到你的代表在弗拉基米尔身上跌了1分，那肯定不是你？是的，我可以解释我投的反对票。即使我将
X
更改为
tf\u par
并将
y
更改为
tf\u ind
，您的代码也不起作用。我认为最好是给出问题中的代码示例。抱歉。@Vladimir是的，由于OP第一段中对问题的描述，有一个硬编码的
15
，这确实与他后面的示例不一致。我用一个更通用的
tf.shape（y）[1]
替换了它，它现在应该在所有情况下都能工作。