Python tensorflow-r1.2中“tf.scatter\u nd”的正确用法

给定带形状的

索引

[批次大小，序列长度]，

更新带形状的
[批次大小，序列长度，采样大小]
，
带形状的
带形状的
[批次大小，序列长度，声音大小]
，其中
声音大小
，
采样大小
，我想使用
tf.scatter
将
更新映射到一个巨大的张量，用
映射到_形
，这样
映射到_形[bs，index[bs，sz]]=更新[bs，sz]
。也就是说，我想逐行将
更新映射到
到_shape
。请注意，
sequence\u len
和
sampled\u size
是标量张量，而其他张量是固定的。我试着做到以下几点：

new_tensor = tf.scatter_nd(tf.expand_dims(indices, axis=2), updates, to_shape)

但我有一个错误：

您能告诉我如何正确使用
scatter\n和
吗？提前谢谢
 因此，假设您有：


张量
使用形状
[批次大小、序列长度、采样大小]
更新

张量
索引
，形状
[批次大小、序列长度、采样大小]

然后你会：

import tensorflow as tf

# Create updates and indices...

# Create additional indices
i1, i2 = tf.meshgrid(tf.range(batch_size),
                     tf.range(sequence_len), indexing="ij")
i1 = tf.tile(i1[:, :, tf.newaxis], [1, 1, sampled_size])
i2 = tf.tile(i2[:, :, tf.newaxis], [1, 1, sampled_size])
# Create final indices
idx = tf.stack([i1, i2, indices], axis=-1)
# Output shape
to_shape = [batch_size, sequence_len, vocab_size]
# Get scattered tensor
output = tf.scatter_nd(idx, updates, to_shape)

采用
索引
张量，
更新
张量和某些形状
更新
是原始张量，形状正好是所需的输出形状，因此
[批大小、序列大小、声音大小]
。现在，
索引
更加复杂。由于您的输出有3个维度（排名3），因此对于
更新中的每个元素，您需要3个索引来确定每个元素在输出中的位置。因此，
索引
参数的形状应与
更新
相同，且附加尺寸为3。在这种情况下，我们希望第一个维度是相同的，但我们仍然必须指定3个索引。因此，我们使用生成我们需要的索引，并沿第三维平铺它们（在
更新的最后一个维度中，每个元素向量的第一个和第二个索引是相同的）。最后，我们将这些索引与之前创建的映射索引进行叠加，我们得到了完整的三维索引。
我想您可能正在寻找这个

def permute_batched_tensor(batched_x, batched_perm_ids):
    indices = tf.tile(tf.expand_dims(batched_perm_ids, 2), [1,1,batched_x.shape[2]])

    # Create additional indices
    i1, i2 = tf.meshgrid(tf.range(batched_x.shape[0]),
                     tf.range(batched_x.shape[2]), indexing="ij")
    i1 = tf.tile(i1[:, tf.newaxis, :], [1, batched_x.shape[1], 1])
    i2 = tf.tile(i2[:, tf.newaxis, :], [1, batched_x.shape[1], 1])
    # Create final indices
    idx = tf.stack([i1, indices, i2], axis=-1)
    temp = tf.scatter_nd(idx, batched_x, batched_x.shape)
    return temp

您必须展示如何定义
到_形
和
索引
。此外，命名参数
aixs=2
中存在键入错误，应为
axis=2
。这是原代码中的打字错误吗？@E_net4谢谢你的回复。是的，这是一个打字错误，我把它修好了。您可以认为这三个张量是由占位符创建的。除了序列之外，序列是一个标量，即它是动态的，其他的是固定的。请用这些信息更新您的问题，使其易于理解，并且不会留下歧义。目前还不太清楚序列是否是标量张量。有一些不清楚或错误的地方。如果
索引
是
[batch\u size，sequence\u len]
和
to\u shape
是
[batch\u size，sequence\u len，vocab\u size]
，那么
to\u shape[bs，sl，index[bs，sl]
将是一个元素，但
更新[bs，sl]
是一个大小向量
采样的大小
。
索引
不应该是
[批次大小、序列长度、采样大小]
？或者是
索引的内容
是
更新内容的初始位置
还是类似的？您的问题是不正确的<代码>到形状[bs，sl，索引[bs，i]]=更新[bs，sl，i]
但是索引的第二维度一直到序列长度
，而更新的第三维度一直到采样大小
谢谢你的回答。但是我的
标记
是形状
[批次大小，序列长度]
。是打字错误吗？@user5779223哦，从你的评论中我想这是问题中的一个错误。。。然后我仍然不明白映射是如何工作的（如果你对问题做了更改，你能指出它们吗？）。我想要的输出是
到_形[bs，sl，index[bs，I]=updates[bs，sl，I]
因此我将
updates
中的值映射到
到_形
标量scalar@user5779223啊，是的，我现在看到你的编辑了。但是，
i
将采用小于或等于
序列长度的值，该值与
更新的第三维大小不匹配，
采样的大小
。我可以理解
索引
是否有大小
[批次大小，采样大小]
（每个批次都有自己的映射，从
采样大小
到
声音大小
）或
[批次大小，采样大小]
（每个批次中的每个序列都有自己的映射，从
采样大小
到
声音大小
）.我已经试过上面的代码了。它在编译过程中运行良好。但是当它运行列车步骤时，它在计算坡度方面存在一些问题：
ValueError:index.shape[-1]必须是
def permute_batched_tensor(batched_x, batched_perm_ids):
    indices = tf.tile(tf.expand_dims(batched_perm_ids, 2), [1,1,batched_x.shape[2]])

    # Create additional indices
    i1, i2 = tf.meshgrid(tf.range(batched_x.shape[0]),
                     tf.range(batched_x.shape[2]), indexing="ij")
    i1 = tf.tile(i1[:, tf.newaxis, :], [1, batched_x.shape[1], 1])
    i2 = tf.tile(i2[:, tf.newaxis, :], [1, batched_x.shape[1], 1])
    # Create final indices
    idx = tf.stack([i1, indices, i2], axis=-1)
    temp = tf.scatter_nd(idx, batched_x, batched_x.shape)
    return temp