Python Tensorflow：使用argmax切片张量

我有一个形状

tf的张量。形状（t1）=[1，1000，400]

，我用形状

max\u ind=tf.argmax（t1，轴=-1）

获得了第三维最大值的指数。现在我有了第二个张量，它的形状与

t1

相同：

tf.shape（t2）=[1100400]

我想使用

t1

中的最大索引对

t2

进行切片，以便输出具有以下形式

[1, 1000]

---

更直观的描述：产生的张量应该类似于

tf的结果。reduce_max（t2，axis=-1）

但是通过

t1

中的最大值位置，可以实现这一点，尽管这并不简单。比如说,

shape = t1.shape.as_list()
xy_ind = np.stack(np.mgrid[:shape[0], :shape[1]], axis=-1)
gather_ind = tf.concat([xy_ind, max_ind[..., None]], axis=-1)
sliced_t2 = tf.gather_nd(t2, gather_ind)

另一方面，如果输入的形状在图形构建时未知，则可以使用

shape = tf.shape(t1)
xy_ind = tf.stack(tf.meshgrid(tf.range(shape[0]), tf.range(shape[1]),
                              indexing='ij'), axis=-1)

---

其余部分同上。

谢谢！您使用np.mgrid而不是tf.meshgrid有什么具体原因吗？这不会影响GPU的性能吗？不会，

np.array

将只传递一次到图形，并作为常量存储在图形中。如果在图形构造过程中张量的大小未知，请使用

tf.meshgrid

。如果有人想知道，使用纯tf，它的工作原理如下：

xy_ind=tf.transpose（tf.meshgrid（tf.range（tf.shape（t1）[0]），tf.range（tf.shape（t1）[1]），[2,1,0]）

这实际上不起作用，因为

tf.meshgrid

输出的形状与

np.mgrid

不同，因此如果我没有误解，您仍然需要进行转置。我刚刚意识到

meshgrid

与numpy中一样有一个

索引

参数。将使用该参数。