Python 在张量流中移动轴

我有两个张量。主张量如下所示：

array([[[ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217]],

       [[ 450,  607,  493,  662],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[ 950, 1277, 1028, 1335],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]]], dtype=int32)

我想根据以下张量移动这个张量：

array([0, 2, 5], dtype=int32)

上面的张量包含我们希望当前轴移动到的轴

最后一个张量应如下所示：

array([[[ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217],
        [ 298, 1217,  298, 1217]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[ 450,  607,  493,  662],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[ 950, 1277, 1028, 1335],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]],

       [[   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0],
        [   0,    0,    0,    0]]], dtype=int32)

---

您可以使用tensorflow分散功能来实现这一点

定义您的

输入

张量：

input = tf.constant([[[ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217]],

   [[ 450,  607,  493,  662],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[ 950, 1277, 1028, 1335],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]]])

因为我们只对第零维上的前3个元素感兴趣，所以让我们将其切成一个新的张量：

sliced_input = tf.slice(input, [0, 0, 0], [3, -1, -1])

定义您的目标

索引

：

indices = tf.constant([[0], [2], [5]])

定义目标

输出的
形状
，此处与您的
输入
形状相同：

shape = tf.shape(input)

现在，使用分散功能获取
输出
：

output = tf.scatter_nd(indices, sliced_input, shape)

array([[[ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[ 450,  607,  493,  662],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[ 950, 1277, 1028, 1335],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]]], dtype=int32)

输出
：

output = tf.scatter_nd(indices, sliced_input, shape)

array([[[ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217],
    [ 298, 1217,  298, 1217]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[ 450,  607,  493,  662],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[ 950, 1277, 1028, 1335],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]],

   [[   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0],
    [   0,    0,    0,    0]]], dtype=int32)

如果我理解正确，您正在寻找offeltoffel的
numpy.moveaxis
（），但我想要tensorflow中的这个。对不起！然后是tf.transpose（张量数组，perm=[0,2,5]）

。看看这个：从文本中看不太清楚，但您想要的是，对于输入

[0，2，5]

，交换轴0中位置2和5的内容？@jdehesa在位置2，我想要1的内容；在第5位，我想要3的内容。