Python 为tf.split（）的num_splits使用变量

可以为tf.split（）的num_split参数使用占位符输入吗

理想情况下，我想做如下工作：

num_splits = tf.placeholder(tf.int32)
inputs = tf.placeholder(tf.int32, [5, None])
split_inputs = tf.split(1, num_splits, inputs)

TypeError:参数“num\u split”应为int，而不是

---

我的方法可能有问题。我想用一个可变形状张量来列举一个维度。谢谢

核心图运算有一个“张量输入张量输出”的一般原理，因此，如果您可以重新构造计算，以处理可变大小的单个张量，而不是可变数量的张量，则可以简化计算

像

pack

，

unpack

，

split

这样的操作处理多个张量，但它们在图形构造期间编译为“张量输入/张量输出”操作，这就是为什么

num_splits

需要固定的原因。像

动态分割

，

动态缝合

，

出列

这样的操作会接管变量

0

-第个维度的单个张量的一些功能

如果您真的需要处理可变数量的张量，典型的方法是将计算分解为多个

会话。运行
调用，每个
运行
调用一个输入张量，并使用队列将事情联系在一起。有一个
slice\u input\u producer
，它将可变大小的输入沿0维分割，并为每一行生成一个张量，因此如果您想在
输入的每一行上的循环中计算
myfunction
，您可以这样做

def myfunction（向量）：
结果=tf.减少_和（向量）
print_result=tf.print（结果，[result]，“调用myfunction”）
返回打印结果
最大行数=10
#具有两列和未知行数的输入矩阵（在不相关的情况下，类似问题的解决方案是使用占位符作为最大大小的固定长度。假设我有一个长度为40的序列。
t=tf.range（40）
。
现在在运行时，我得到一个拆分（比如说
x=[6,9,10,5,1]
）

步骤1：
确定可能存在的最大拆分数，例如：19

步骤2：

    num_splits = tf.placeholder(tf.int32, [19]) 
    y= tf.split(t, num_or_size_splits=num_splits, axis=0)

这将把序列分成运行时确定的拆分大小

步骤4：
在运行时：

    x = [6,9,10,5,1] 
    x += [40-sum(x)] + [0 for i in range(19-1-len(x))]

第一行表示我们需要的实际分割尺寸

拆分要求拆分大小之和应达到总拆分大小，即在这种情况下为40，0是剩余拆分的拆分大小

session.run（y，feed\u dict={num\u splits:x}）
将显示如下结果：

[0, 1, 2, 3, 4, 5]  
[ 6,  7,  8,  9, 10, 11, 12, 13, 14]  
[15, 16, 17, 18, 19, 20, 21, 22, 23, 24]  
[25, 26, 27, 28, 29]  
[30]  
[31, 32, 33, 34, 35, 36, 37, 38, 39]  
[]
.
.
[]  

步骤5：
（可选，首选）用零填充，直到序列的最大长度

    def pad_up_to(t, max_in_dims, constant_values):
        s = tf.shape(t)
        paddings = [[0, m-s[i]] for (i,m) in enumerate(max_in_dims)]
        return tf.pad(t, paddings, 'CONSTANT', constant_values=constant_values)


    m = []
    for t1 in y :
      t1=tf.reshape(t1,[1,-1])
      t_padded = pad_up_to(t1, [1,15], 0)
      session.run(t_padded  , feed_dict={num_splits:x})  
      m+=  [t_padded]
    m= tf.concat(m,0)

这将用零填充块以创建大小相等的块

注：上述方法帮助我将NLP相关任务的序列转换为句子（句子数量可变）

函数：pad_up_to（）取自

    def pad_up_to(t, max_in_dims, constant_values):
        s = tf.shape(t)
        paddings = [[0, m-s[i]] for (i,m) in enumerate(max_in_dims)]
        return tf.pad(t, paddings, 'CONSTANT', constant_values=constant_values)


    m = []
    for t1 in y :
      t1=tf.reshape(t1,[1,-1])
      t_padded = pad_up_to(t1, [1,15], 0)
      session.run(t_padded  , feed_dict={num_splits:x})  
      m+=  [t_padded]
    m= tf.concat(m,0)