Python 转换为numpy张量而不使用渴望模式

我将自定义层定义为网络的最后一个层。这里我需要将一个张量（输入张量）转换成一个numpy数组来定义一个函数。特别是，我想定义我的最后一层，类似如下：

import tensorflow as tf
def hat(x):
  A = tf.constant([[0.,-x[2],x[1]],[x[2],0.,-x[0]],[-x[1],x[0],0.]])
  return A

class FinalLayer(layers.Layer):
  def __init__(self, units):
    super(FinalLayer, self).__init__()
    self.units = units
  

  def call(self, inputs):
    p = tf.constant([1.,2.,3.])
    q = inputs.numpy()
    p = tf.matmul(hat(q),p)
    return p

---

重量对我的问题无关紧要，因为我知道如何管理它们。问题是这一层在急切模式下工作得很好，但是使用这个选项训练阶段会变慢。我的问题是：我能做些什么来实现这个层而不需要急切的模式吗？因此，或者，我可以访问张量的单个分量x[I]而不将其转换为numpy数组吗？

您可以稍微不同地重写

hat

函数，使其接受张量而不是

numpy

数组。例如：

def hat(x):
  zero = tf.zeros(())
  A = tf.concat([zero,-x[2],x[1],x[2],zero,-x[0],-x[1],x[0],zero], axis=0)
  return tf.reshape(A,(3,3))

将导致

>>> p = tf.constant([1.,2.,3.])
>>> hat(p)
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 0., -3.,  2.],
       [ 3.,  0., -1.],
       [-2.,  1.,  0.]], dtype=float32)>

p=tf.常数（[1,2,3.]） >>>帽子（p）

---

太好了，非常感谢。不幸的是，我学习tensorflow只是为了我的研究需要，因此我缺乏一些基础知识。我认为我的问题是一个基本的问题。你有没有任何文字可以建议你更恰当地学习它？你可以阅读。但是请记住，您必须使用该框架来更多地了解它是如何工作的，以及它的缺点是什么。在这种情况下，您无法从tensorslices轻松创建

tf.常量，这就是为什么使用类似op的
concat
比创建新的
Tensor
对象更容易的原因。