Python 如何使用tensorflow'scatter\n应用动态形状`

在tensorflow中，我如何将动态形状应用于

散布

当我使用带有动态形状的输入张量时，我得到以下错误：

ValueError:无法将部分已知的张量形状转换为张量：
（20，？）

这是我使用的函数。当
张量
具有静态形状时，它会工作。但对于动态形状（例如，
（？，7）
），它会失败

def tf_zero_pad_columns(tensor, columns_list, num_output_columns):
    assert(tensor.shape.as_list()[1] == len(columns_list))
    assert(num_output_columns >= len(columns_list))

    tensor = tf.transpose(tensor)
    columns = tf.constant(np.array([columns_list]).T.astype('int32'))
    shape=tf.TensorShape((num_output_columns, tensor.get_shape()[1]))
    scattered = tf.scatter_nd(columns, tensor, shape=shape)
    return tf.transpose(scattered)

我还尝试用
-1
替换
tensor.get_shape（）[1]
，但这会在训练期间产生不同的错误：

InvalidArgumentError:维度-1必须大于等于0[[节点：
lambda_40/分散


编辑：

带有动态形状的输入示例（这会再现错误）：

静态形状的输入示例：

import numpy as np
tensor_np = np.tile(range(7), (4, 1)) + np.array(range(4))[:, None]
tensor = tf.constant(tensor_np)


tf_zero_pad_columns(tensor, [11,12,13,4,5,6,7], 20)

输出为：

array([[0, 0, 0, 0, 3, 4, 5, 6, 0, 0, 0, 0, 1, 2, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 4, 5, 6, 7, 0, 0, 0, 1, 2, 3, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 5, 6, 7, 8, 0, 0, 0, 2, 3, 4, 0, 0, 0, 0, 0, 0],
       [0, 0, 0, 0, 6, 7, 8, 9, 0, 0, 0, 3, 4, 5, 0, 0, 0, 0, 0, 0]])

这对我很有用：

def tf_zero_pad_columns(tensor, columns_list, num_output_columns):
    assert(tensor.shape.as_list()[1] == len(columns_list))
    assert(num_output_columns >= len(columns_list))

    tensor = tf.transpose(tensor)
    columns = tf.constant(np.array([columns_list]).T.astype('int32'))
    tensor_shape = tf.shape(tensor)[1]
    scattered = tf.scatter_nd(columns, tensor, shape=(num_output_columns, tensor_shape))
    return tf.transpose(scattered)

你能提供一个输入和一个预期的输出吗？使用静态形状应该可以。我想看看这个函数应该是如何工作的，所以也许我会想到一个解决方案，它可以使用动态形状。@gorjan:我添加了预期的输入和输出，使用动态和静态形状。谢谢！让我知道我发布的解决方案是否能解决这个问题是你。
def tf_zero_pad_columns(tensor, columns_list, num_output_columns):
    assert(tensor.shape.as_list()[1] == len(columns_list))
    assert(num_output_columns >= len(columns_list))

    tensor = tf.transpose(tensor)
    columns = tf.constant(np.array([columns_list]).T.astype('int32'))
    tensor_shape = tf.shape(tensor)[1]
    scattered = tf.scatter_nd(columns, tensor, shape=(num_output_columns, tensor_shape))
    return tf.transpose(scattered)