Python 如何在Tensorflow张量中的每一行和每一列中选取顶部的q元素？

我在Tensorflow中实现了一个特殊的损失函数。下面是一个特殊函数的numpy样式代码，该函数拾取顶部的q元素并屏蔽每行和每列中的其他元素。注意

A

是

n*n

矩阵，

q

是小于

n

的整数

def阈值（A，q）：
A_uuz=A.copy（）
n=一个形状[1]
对于范围（n）中的i：
A_[i，：][A_[i，：].argsort（）[0:n-q]]=0
A_[：，i][A_[：，i].argsort（）[0:n-q]]=0
归还_

现在的问题是，我有一个张量流张量

a

，它的形状是

（n，n）

，我想实现与numpy相同的逻辑。但是，我不能使用索引直接为张量

A

赋值。是否有人对此有一些解决方案？

TLDR； 我们可以创建一个函数，按如下方式屏蔽除顶部

k

元素之外的所有元素：

def mask_all_但_top_k（X，k）：
n=X.形状[1]
top_k_index=tf.math.top_k（X，k）.index
掩码=tf.减少总和（tf.one\u hot（top\u k\u索引，n），轴=1）
返回掩码*X

不幸的是，

tf.map.top_k

不允许我们指定维度，但我们当然可以通过先将

X

转置，然后将结果转置为

tf.transpose（）

解释 我们可以通过创建一个由1和0组成的掩码，然后按元素相乘来实现

例如，考虑到

n=4，k=2的情况，我们有以下矩阵：

array([[0.67757607, 0.74070597, 0.89508283, 0.11858773],
       [0.7661159 , 0.8737055 , 0.73599136, 0.1552105 ],
       [0.7093129 , 0.44203556, 0.48861897, 0.83231044],
       [0.24682868, 0.36648738, 0.92984104, 0.9881872 ]], dtype=float32)

然后我们可以使用
tf.math.top_k
函数来获得矩阵每行中前2个值的索引：

top_k_index=tf.math.top_k（X，2）.index

现在，我们使用一个小技巧首先对以下内容进行编码：

tf.one_hot(top_k_indices, 4)
array([[[0., 0., 1., 0.],
        [0., 1., 0., 0.]],

       [[0., 1., 0., 0.],
        [1., 0., 0., 0.]],

       [[0., 0., 0., 1.],
        [1., 0., 0., 0.]],

       [[0., 0., 0., 1.],
        [0., 0., 1., 0.]]], dtype=float32)>

然后在从第二个维度到最后一个维度上减少它们，以创建我们的掩码：

tf.reduce\u sum（tf.one\u hot（top\u k\u索引，4），轴=1）
数组（[[0,1,1,0.]），
[1., 1., 0., 0.],
[1., 0., 0., 1.],
[0,0,1,1.]]，dtype=float32）>

现在，我们只需执行Hadamard（元素）乘法即可获得所需的结果：

array([[0.        , 0.74070597, 0.89508283, 0.        ],
       [0.7661159 , 0.8737055 , 0.        , 0.        ],
       [0.7093129 , 0.        , 0.        , 0.83231044],
       [0.        , 0.        , 0.92984104, 0.9881872 ]], dtype=float32)>

综上所述，我们可以创建一个函数来屏蔽除顶部
k
元素外的所有元素，如下所示：

def mask_all_but_top_k(X, k):
  n = X.shape[1]
  top_k_indices = tf.math.top_k(X, k).indices
  mask = tf.reduce_sum(tf.one_hot(top_k_indices, n), axis=1)
  return mask * X