Python 在tensorflow 2.0中，有没有一种传统的方法来创建具有可变元素的张量？

我正试图实现一个来自tensorflow研究论文的机器学习模型，它要求我创建一个张量块对角矩阵。在本文中，他们给出了类似于

[[cos(x * theta_1), sin(x * theta_2)], [-sin(x * theta_3), cos(x * theta_4)]]

我在tf中创建了一个函数，它接受x并返回一个对角矩阵，但是这个矩阵在一个训练周期中将被使用数十万次，所以我想找到一种方法，避免每次需要使用它时从头开始创建它。不幸的是，因为x可以是一个范围内的任何实数，所以我不能为x的每个可能值创建一个矩阵，并将它们存储在一个列表中供以后使用

我想知道是否有一种方法可以创建矩阵，使它在一些元素中包含变量x，这样我就可以像

 "create_tensor_from_schematic(tensor_with_variables, value_of_x)" 

它会的 返回为该值x计算的张量，使我不必每次都重建对角矩阵

这个矩阵是一个关键的组成部分，它位于我的模型中间，每一个时期都被每个训练和测试样本所使用。下面是该矩阵的代码：

def build_D(self, n, j):
    def theta(k):
      return (2 * math.pi * k) / n

    def A(k, j):
      j_thetak = j * theta(k)
      return tf.convert_to_tensor([[math.cos(j_thetak), math.sin(j_thetak)],
                                   [-math.sin(j_thetak), math.cos(j_thetak)]], dtype=tf.float32)

    if n % 2 == 1: #n is odd
      s = int((n - 1) / 2)
      block_list_A = [tf.reshape(tf.convert_to_tensor([1], dtype=tf.float32), [1, 1])] + [A(k, j) for k in range(1, s + 1)]
    else: #n is even
      s = int((n - 2) / 2)
      last_term = (-1) ** j
      block_list_A = [tf.reshape(tf.convert_to_tensor([1], dtype=tf.float32), [1, 1])] + [A(k, j) for k in range(1, s + 1)] \
      + [tf.reshape(tf.convert_to_tensor([last_term], dtype=tf.float32), [1, 1])] 

    return tf.linalg.LinearOperatorBlockDiag(list(
        map(lambda x: tf.linalg.LinearOperatorFullMatrix(x), block_list_A))).to_dense()

（这个版本的代码是我目前使用的代码，它只支持整数值j，允许我为范围内的每个j创建矩阵，并将它们存储在列表中，但在未来j将是实值的，我显然不能为每个可能的j值创建矩阵。）

j是唯一变化的变量，所以如果有一种方法可以运行一次，并在需要对应于某个j值的矩阵时，将j的值复制到矩阵中进行计算，那就太好了

我想知道是否有可能创建一个以lambda表达式为元素的张量，但我无法想象如何将参数传递给它们

---

在

tensorflow

中是否有一种内置的常规方法来创建类似于张量示意图的内容？我有什么选择？欢迎提出任何意见。

我不确定我是否理解这个问题？您有一个函数，它将

x

作为输入，并将张量作为输出返回

x

可以变化，因此需要计算张量时，您需要计算张量吗？你想避免的是什么？只需在训练循环中调用该函数，不是吗？该函数相当复杂，因此，当唯一改变的是x时，为每个训练示例创建新的块对角矩阵似乎效率低下。我只是想，如果有一种方法可以创建一个类似于

[2x，5x]

的张量，我可以将它存储在一个类似于原理图的变量中，然后通过类似于

的tensor\u（schematic，x\u val）

来计算，它将返回计算出的张量，那会更优雅。但是处理器仍然必须对每个值进行求和，不管怎样，不是吗？最终，张量需要是一个数字矩阵，以便进行训练。您可以（可能）创建一个表示抽象矩阵的操作（或一组操作），但最终需要对其进行计算，所以抽象作为函数有什么不对？（本质上，这只是一组操作！）我不确定我是否理解这个问题？您有一个函数，它将

x

作为输入，并将张量作为输出返回

x

可以变化，因此需要计算张量时，您需要计算张量吗？你想避免的是什么？只需在训练循环中调用该函数，不是吗？该函数相当复杂，因此，当唯一改变的是x时，为每个训练示例创建新的块对角矩阵似乎效率低下。我只是想，如果有一种方法可以创建一个类似于

[2x，5x]

的张量，我可以将它存储在一个类似于原理图的变量中，然后通过类似于

的tensor\u（schematic，x\u val）

来计算，它将返回计算出的张量，那会更优雅。但是处理器仍然必须对每个值进行求和，不管怎样，不是吗？最终，张量需要是一个数字矩阵，以便进行训练。您可以（可能）创建一个表示抽象矩阵的操作（或一组操作），但最终需要对其进行计算，所以抽象作为函数有什么不对？（本质上，这只是一组操作！）