Python 形状为b*n*3的张量流张量T1。形状为b*n->；一个布尔张量，指示T1中的哪些行

我正在尝试提取

n

点三维坐标和

b

批次中的特定行。本质上，我的张量

T1

的形状是

b*n*3

。我还有另一个布尔张量

T2

，形状为

b*n

，指示需要使用的

n

行。 基本上，我的输出应该是

b*？*3

，因为

T2

在每个批次中可以有不同数量的1

我已经使用布尔掩码实现了以下内容，但输出不是预期的，输出形状是

（？，）

，但不是

（b*？*3）

---

由于每个示例所选元素的数量可能不同，因此不能用适当的张量表示。一个选择可能是使用一个。它们不能做正常张量所能做的一切，但可以实现您想要的，例如：

import tensorflow as tf

with tf.Graph().as_default(), tf.Session() as sess:
    # Input data
    t1 = tf.constant([
        [
            [ 1,  2,  3],
            [ 4,  5,  6],
            [ 7,  8,  9],
        ],
        [
            [10, 11, 12],
            [13, 14, 15],
            [16, 17, 18],
        ],
    ])
    t2 = tf.constant([
        [1, 0, 1],
        [0, 1, 0],
    ])
    # Count the number of ones for each row in T2
    c = tf.reduce_sum(t2, axis=1)
    # Ragged ranges for each row
    r = tf.ragged.range(c)
    # Sorting indices so indices with a one are first
    s = tf.argsort(t2, axis=1, direction='DESCENDING', stable=True)
    # First axis dimension index
    idx0 = tf.expand_dims(tf.range(tf.shape(t1)[0]), 1) * tf.ones_like(r)
    # 2D index for getting indices of ones on each row
    idx_s = tf.stack([idx0, r], axis=-1)
    # Get indices of ones
    idx1 = tf.gather_nd(s, idx_s)
    # 2D index to get indices of selected vectors in T1
    idx = tf.stack([idx0, idx1], axis=-1)
    # Get selected vectors
    result = tf.gather_nd(t1, idx)
    # Print result
    print(sess.run(result))
    # <tf.RaggedTensorValue [[[1, 2, 3], [7, 8, 9]], [[13, 14, 15]]]>

将tensorflow导入为tf
将tf.Graph（）作为默认值（），将tf.Session（）作为sess：
#输入数据
t1=tf.常数([
[
[ 1,  2,  3],
[ 4,  5,  6],
[ 7,  8,  9],
],
[
[10, 11, 12],
[13, 14, 15],
[16, 17, 18],
],
])
t2=tf常数([
[1, 0, 1],
[0, 1, 0],
])
#计算T2中每行的1个数
c=tf.减少_和（t2，轴=1）
#每行的不规则范围
r=tf.参差不齐范围（c）
#对索引进行排序，以使带有1的索引位于第一位
s=tf.argsort（t2，轴=1，方向='下降'，稳定=真）
#第一轴维度索引
idx0=tf.扩展尺寸（tf.范围（tf.形状（t1）[0]），1）*tf.形状（r）
#2D索引，用于获取每行上的索引
idx_s=tf.stack（[idx0，r]，轴=-1）
#获取1的索引
idx1=tf.gather\u nd（s，idx\u s）
#2D索引以获取T1中选定向量的索引
idx=tf.stack（[idx0，idx1]，轴=-1）
#获取选定向量
结果=tf.聚集（t1，idx）
#打印结果
打印（sess.run（结果））
# 

由于每个示例所选元素的数量可能不同，因此不能用适当的张量表示。一个选择可能是使用一个。它们不能做正常张量所能做的一切，但可以实现您想要的，例如：

import tensorflow as tf

with tf.Graph().as_default(), tf.Session() as sess:
    # Input data
    t1 = tf.constant([
        [
            [ 1,  2,  3],
            [ 4,  5,  6],
            [ 7,  8,  9],
        ],
        [
            [10, 11, 12],
            [13, 14, 15],
            [16, 17, 18],
        ],
    ])
    t2 = tf.constant([
        [1, 0, 1],
        [0, 1, 0],
    ])
    # Count the number of ones for each row in T2
    c = tf.reduce_sum(t2, axis=1)
    # Ragged ranges for each row
    r = tf.ragged.range(c)
    # Sorting indices so indices with a one are first
    s = tf.argsort(t2, axis=1, direction='DESCENDING', stable=True)
    # First axis dimension index
    idx0 = tf.expand_dims(tf.range(tf.shape(t1)[0]), 1) * tf.ones_like(r)
    # 2D index for getting indices of ones on each row
    idx_s = tf.stack([idx0, r], axis=-1)
    # Get indices of ones
    idx1 = tf.gather_nd(s, idx_s)
    # 2D index to get indices of selected vectors in T1
    idx = tf.stack([idx0, idx1], axis=-1)
    # Get selected vectors
    result = tf.gather_nd(t1, idx)
    # Print result
    print(sess.run(result))
    # <tf.RaggedTensorValue [[[1, 2, 3], [7, 8, 9]], [[13, 14, 15]]]>

将tensorflow导入为tf
将tf.Graph（）作为默认值（），将tf.Session（）作为sess：
#输入数据
t1=tf.常数([
[
[ 1,  2,  3],
[ 4,  5,  6],
[ 7,  8,  9],
],
[
[10, 11, 12],
[13, 14, 15],
[16, 17, 18],
],
])
t2=tf常数([
[1, 0, 1],
[0, 1, 0],
])
#计算T2中每行的1个数
c=tf.减少_和（t2，轴=1）
#每行的不规则范围
r=tf.参差不齐范围（c）
#对索引进行排序，以使带有1的索引位于第一位
s=tf.argsort（t2，轴=1，方向='下降'，稳定=真）
#第一轴维度索引
idx0=tf.扩展尺寸（tf.范围（tf.形状（t1）[0]），1）*tf.形状（r）
#2D索引，用于获取每行上的索引
idx_s=tf.stack（[idx0，r]，轴=-1）
#获取1的索引
idx1=tf.gather\u nd（s，idx\u s）
#2D索引以获取T1中选定向量的索引
idx=tf.stack（[idx0，idx1]，轴=-1）
#获取选定向量
结果=tf.聚集（t1，idx）
#打印结果
打印（sess.run（结果））
# 

如果

T2

在每个示例中可以有不同的1s数，那么结果就不可能是一个合适的张量，因为在每种情况下，第二维度的大小都会不同。这可能有点像一个例子，但这不是很受支持。对于正则张量，最好的目标是使用一个张量，其中示例需要“填充”，以便所有示例都具有相同的大小（另一个张量表示每个示例的有效条目数）。谢谢jdehesa。你能提供一个只有参差不齐张量的例子吗？如果

T2

在每个例子中可以有不同数量的1，那么结果就不能是一个合适的张量，因为在每种情况下，第二维度的大小都会不同。这可能有点像一个例子，但这不是很受支持。对于正则张量，最好的目标是使用一个张量，其中示例需要“填充”，以便所有示例都具有相同的大小（另一个张量表示每个示例的有效条目数）。谢谢jdehesa。你能提供一个只有不规则张量的例子吗？