Python Tensorflow：在函数中填充张量

我试图定义的是以下想法：

考虑一下什么时候有这些张量

a=tf.常数（[1,1.5,1.2]）#带形状的张量[3，]
b=tf.常数（[1,2,3.]）#“
c=tf.常数（[3,0,6.]）#“
t=tf.常数（[0.5,0.6,0.7,2,4,5,6.]）#形状张量[7，]

现在考虑一下，我想计算一个新的张量，与前张量的每个元素一起工作，例如：

def新张量（a，b，c，t）：
X=tf.常数（[[tf.sin（a*t[1]），b*t[3]，c+t[4]]，
[tf.cos（b*t[5]），tf.atan2（t[5]，c），a+t[2]+b]，
[a+t[4]，a+b，c*t[0]]
返回X

X

应该是一个具有形状的张量

[3,3,3]

。也就是说，我想定义一个以四个张量作为输入的函数：其中三个张量形状相同，第四个张量形状不同。我希望函数为前三个输入（

a，b，c

）的每个值计算一个张量（

X

）

使用此代码，TensorFlow会出现以下错误：

TypeError: List of Tensors when single Tensor expected

根据这一点，这是因为

tf.constant

不能将张量作为输入，他们建议使用

tf.Variable

。但我认为这不适合我，因为我以后必须使用

X

，不想初始化它，等等。我也读过这篇文章，但找不到任何问题的答案

有什么办法可以满足我的要求吗？我的代码对我的目的有意义吗？先谢谢你

更新：使用jdehesa答案

获取@jdehesa答案并使生成的张量更简单：

def新张量（a，b，c，t）：
#也可以使用tf.convert_到_张量
X=tf.stack（[[a+t[1]，b*t[1]，c+t[1]]，
[b*t[0]，t[5]+c，a+t[2]+b]，
[a+t[4]，a+b，c*t[0]]
返回X

对于张量：

a=tf.常数（[1,1,1.]）#形状张量[3，]
b=tf.常数（[2,2,2.]）#“
c=tf.常数（[3,3,3.]）#“
t=tf.常数（[1,1,1,1,1,1,1.]）#形状张量[7，]

我得到的是以下张量：

#计算x=新的_张量（a，b，c，t）时
[[[2. 2. 2.]
[2. 2. 2.]
[4. 4. 4.]]
[[2. 2. 2.]
[4. 4. 4.]
[4. 4. 4.]]
[[2. 2. 2.]
[3. 3. 3.]
[3. 3. 3.]]]

但我所期望的是：

[[2.2.4]
[2. 4. 4.]
[2. 3. 3.]]
[[2. 2. 4.]
[2. 4. 4.]
[2. 3. 3.]]
[[2. 2. 4.]
[2. 4. 4.]
[2. 3. 3.]]]

---

正如我希望它对输入张量的每个元素求值的那样。

没错，您只能将Python或NumPy值传递给，但您可以使用或（如果愿意的话）构建张量：

---

编辑：对于第二个示例，要获得更改张量标注顺序所需的结果，请执行以下操作：

import tensorflow as tf

def new_tensor(a, b, c, t):
    # Could also use tf.convert_to_tensor
    X = tf.stack([[a+t[1],   b*t[1],    c+t[1]],
                  [b*t[0],  t[5]+ c,  a+t[2]+b],
                  [a+t[4],      a+b,   c*t[0]]])
    X = tf.transpose(X, (2, 0, 1))
    return X

with tf.Graph().as_default(), tf.Session() as sess:
    a = tf.constant([1., 1., 1.]) # tensor with shape [3,]
    b = tf.constant([2., 2., 2.])   # ""
    c = tf.constant([3., 3., 3.])   # ""
    t = tf.constant([1., 1., 1., 1., 1., 1., 1.]) # tensor with shape [7,]
    x = new_tensor(a, b, c, t)
    print(sess.run(x))
    # [[[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]
    # 
    #  [[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]
    # 
    #  [[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]]

---

我已经用更简单的张量尝试了你的代码，但是，尽管我认为is必须与你的解决方案接近，但它并没有给出我所期望的结果。我已经更新了我的问题，所以你可以看到它。谢谢大家!@M.Merida-Floriano我用第二个例子的解决方案编辑了答案，看看这是否有帮助。

import tensorflow as tf

def new_tensor(a, b, c, t):
    # Could also use tf.convert_to_tensor
    X = tf.stack([[a+t[1],   b*t[1],    c+t[1]],
                  [b*t[0],  t[5]+ c,  a+t[2]+b],
                  [a+t[4],      a+b,   c*t[0]]])
    X = tf.transpose(X, (2, 0, 1))
    return X

with tf.Graph().as_default(), tf.Session() as sess:
    a = tf.constant([1., 1., 1.]) # tensor with shape [3,]
    b = tf.constant([2., 2., 2.])   # ""
    c = tf.constant([3., 3., 3.])   # ""
    t = tf.constant([1., 1., 1., 1., 1., 1., 1.]) # tensor with shape [7,]
    x = new_tensor(a, b, c, t)
    print(sess.run(x))
    # [[[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]
    # 
    #  [[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]
    # 
    #  [[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]]