Python 使用三维张量最后一维中的索引索引4D张量最后一维
我需要使用三维张量最后一维中的索引来索引4D张量的最后一维。例如,给定以下张量:Python 使用三维张量最后一维中的索引索引4D张量最后一维,python,arrays,multidimensional-array,tensorflow,Python,Arrays,Multidimensional Array,Tensorflow,我需要使用三维张量最后一维中的索引来索引4D张量的最后一维。例如,给定以下张量: X = array([[[[ 0.14127222, 0.37404611, 0.09612721, 0.19907043, 0.84104371, 0.33678107, 0.03965124, 0.16844736, 0.61240914, 0.02107638], [ 0.46010377, 0.4302605 , 0.95917015, 0.05052149,
X = array([[[[ 0.14127222, 0.37404611, 0.09612721, 0.19907043, 0.84104371,
0.33678107, 0.03965124, 0.16844736, 0.61240914, 0.02107638],
[ 0.46010377, 0.4302605 , 0.95917015, 0.05052149, 0.96033522,
0.6383985 , 0.24895258, 0.78746404, 0.42848993, 0.16791814]],
[[ 0.04889435, 0.82308922, 0.96655923, 0.48346 , 0.95437383,
0.87187596, 0.68328151, 0.70910435, 0.14809697, 0.73191095],
[ 0.9863605 , 0.93424879, 0.8210592 , 0.60322001, 0.09030777,
0.43904245, 0.90761251, 0.97734195, 0.83937746, 0.4611313 ]]],
[[[ 0.63942727, 0.39519546, 0.96378125, 0.67925937, 0.43680618,
0.51125503, 0.62897664, 0.38485839, 0.62766846, 0.20661218],
[ 0.34816242, 0.0278764 , 0.90386847, 0.82995975, 0.37891653,
0.78402321, 0.15557263, 0.23951166, 0.69553685, 0.65161346]],
[[ 0.82596645, 0.81959286, 0.39348156, 0.23748691, 0.4410078 ,
0.99032742, 0.56643199, 0.00693051, 0.96698697, 0.19360464],
[ 0.06039541, 0.97289256, 0.81413577, 0.15651002, 0.52284394,
0.76748494, 0.47697888, 0.05827109, 0.54494079, 0.95826538]]]])
R = array([[[ 0.33678107, 0.05052149],
[ 0.73191095, 0.9863605 ]],
[[ 0.62897664, 0.78402321],
[ 0.99032742, 0.05827109]]])
我想使用以下索引张量从中提取值:
Y = array([[[5, 3],
[9, 0]],
[[6, 5],
[5, 7]]])
获得以下张量:
X = array([[[[ 0.14127222, 0.37404611, 0.09612721, 0.19907043, 0.84104371,
0.33678107, 0.03965124, 0.16844736, 0.61240914, 0.02107638],
[ 0.46010377, 0.4302605 , 0.95917015, 0.05052149, 0.96033522,
0.6383985 , 0.24895258, 0.78746404, 0.42848993, 0.16791814]],
[[ 0.04889435, 0.82308922, 0.96655923, 0.48346 , 0.95437383,
0.87187596, 0.68328151, 0.70910435, 0.14809697, 0.73191095],
[ 0.9863605 , 0.93424879, 0.8210592 , 0.60322001, 0.09030777,
0.43904245, 0.90761251, 0.97734195, 0.83937746, 0.4611313 ]]],
[[[ 0.63942727, 0.39519546, 0.96378125, 0.67925937, 0.43680618,
0.51125503, 0.62897664, 0.38485839, 0.62766846, 0.20661218],
[ 0.34816242, 0.0278764 , 0.90386847, 0.82995975, 0.37891653,
0.78402321, 0.15557263, 0.23951166, 0.69553685, 0.65161346]],
[[ 0.82596645, 0.81959286, 0.39348156, 0.23748691, 0.4410078 ,
0.99032742, 0.56643199, 0.00693051, 0.96698697, 0.19360464],
[ 0.06039541, 0.97289256, 0.81413577, 0.15651002, 0.52284394,
0.76748494, 0.47697888, 0.05827109, 0.54494079, 0.95826538]]]])
R = array([[[ 0.33678107, 0.05052149],
[ 0.73191095, 0.9863605 ]],
[[ 0.62897664, 0.78402321],
[ 0.99032742, 0.05827109]]])
如何在TensorFlow中执行此操作?我用reduce_sum和tf.one_hot的组合解决了这个问题,但这是一个内存密集型操作,需要表示一个热向量的巨大张量
谢谢。您需要numpy数组,即使用列表/数组而不是切片索引到X
的第一个维度:
>>> import numpy as np
>>> i,j,k = np.ogrid[:2,:2,:2]
>>> X[i,j,k,Y]
array([[[ 0.33678107, 0.05052149],
[ 0.73191095, 0.9863605 ]],
[[ 0.62897664, 0.78402321],
[ 0.99032742, 0.05827109]]])
要使其不太容易出现幻数,请使用元组解包:
>>> ijk = np.ogrid[[slice(None,k) for k in Y.shape]]
>>> X[(*ijk),Y]
array([[[ 0.33678107, 0.05052149],
[ 0.73191095, 0.9863605 ]],
[[ 0.62897664, 0.78402321],
[ 0.99032742, 0.05827109]]])
通过将数组传递到
X
中进行索引,numpy将解释四个(2,2,2,2)
形状的数组,以便将每个[n1,n2,n3,n4]
元素一起使用,以从X
中获得相应的元素,并且结果保留这些索引数组的形状。我添加了numpy的答案,但我现在才意识到,你似乎只和tensorflow一起工作,我不熟悉tensorflow。如果我的答案不适用于您的用例,请告诉我,因为我无法对tensorflow进行测试。您的答案使用numpy函数,但OP要求对tensorflow张量进行操作。@sygi是的,谢谢。我的印象是tensorflow张量可能主要是引擎盖下的numpy数组;我把这个评论留给OP,希望答案仍然有效。如果你知道答案是否定的,我很乐意删除答案(我只是不想在收到反馈之前这样做,以防万一有帮助)@sygi事实上,我意识到我上周安装了tensorflow,在我看来,实际的tensorflow张量并没有作为OP问题中的对象打印出来。这些数量看起来确实像numpy数组,可能来自tf.Session().run
。如果是这样的话,上面的解决方案工作得很好。对我来说,很明显,OP需要TF而不是NUMPY解决方案(在这种情况下,解决方案不起作用),但也许让我们把它留给OP。@ Sigi-Ah,我明白你的意思,我没有考虑这种可能性。我们将看到OP的回应,感谢您的反馈:)