Python 损失函数中的张量流切片

我目前正在Tensorflow中实现一个函数，它对给定张量的128D向量进行随机采样

因此，我采样n=400个值：

x1 = tf.random.uniform((n,), minval=border, maxval=W-border)

然后，我复制了的值，以便在张量中有400*Batch_size（B）值：

x1a = x1[None,:] #(1, 400)
x1b = tf.broadcast_to(x1a,(B,n)) #(4,400)
x1 = tf.reshape(x1b, [-1]) # (1600)

我对y坐标重复这一步，然后对批量大小应用类似的函数：

b1 = tf.range(B)
b1 = b1[:,None]
b1 = tf.broadcast_to(b1,(B,n))
b1 = tf.reshape(b1, [-1])

最后，我将张量转换为int32：

b1 = tf.cast(b1, tf.int32)
x1 = tf.cast(x1, tf.int32)
y1 = tf.cast(y1, tf.int32)

现在，我想从我的损失函数中的网络输出（（None，512，512，128））中提取这些“随机”128D：

feat1 = feat1[b1, x1, y1, :]

但是，这会向我抛出以下错误消息：

TypeError: Only integers, slices (`:`), ellipsis (`...`), tf.newaxis (`None`) and scalar tf.int32/tf.int64 tensors are valid indices, got <tf.Tensor 'loss_30/ap_loss_concat_loss/Reshape_10:0' shape=(1600,) dtype=int32>

TypeError:只有整数、切片（`:`）、省略号（`…`）、tf.newaxis（`None`）和标量tf.int32/tf.int64张量是有效的索引，明白了吗

好吧，这种张量切片在numpy中是可能的，但我不确定在Tensorflow中是否也可能，我的搜索显示tf.gather\n可以用于这些事情

---

有谁能告诉我如何正确地执行此操作吗？

您几乎完全正确，只需执行以下操作：

feat1=tf.gather\u nd（feat1，tf.stack（[b1，x1，y1]，轴=-1））

如果要将结果作为具有形状的张量

[B，400，128]

，可以在之后对其进行形状调整，但也可以对以下参数的

索引进行形状调整：

idx=tf.重塑（tf.堆栈（[b1，x1，y1]，轴=-1），[B，n，3]）
feat1=tf.gather\u nd（feat1，idx）

作为旁注，请注意，您可以将
dtype=tf.int32
传递给直接生成整数随机值。
您几乎正确，只需执行以下操作：

feat1=tf.gather\u nd（feat1，tf.stack（[b1，x1，y1]，轴=-1））

如果要将结果作为具有形状的张量
[B，400，128]
，可以在之后对其进行形状调整，但也可以对以下参数的
索引进行形状调整：

idx=tf.重塑（tf.堆栈（[b1，x1，y1]，轴=-1），[B，n，3]）
feat1=tf.gather\u nd（feat1，idx）

作为旁注，请注意，您可以将
dtype=tf.int32
传递给直接生成整数随机值