Python Tensorflow：计算标签的反向计数

我有一个张量

标签

，形状为（b，n），数值为[0,1,2,3,4,5]的整数。 我想创建一个形状（b，n）的张量

权重
，它在位置（I，j）处携带整数
标签[I，j]
在标签中出现的次数的倒数

工作示例代码：

import tensorflow as tf
import numpy as np
tf.InteractiveSession()
labels=tf.convert_to_tensor(np.array([[1,0,0,1,2,4],[2,2,2,4,2,1]]), dtype=tf.int32)
weights=tf.ones_like(labels, dtype=tf.float32)
bc=tf.bincount(labels, minlength=6, maxlength=6)
for i in range(6):
    cur_count = 1.0/(1e-10+tf.cast(bc[i], tf.float32))
    count_tensor = tf.ones_like(labels, dtype=tf.float32)*cur_count
    weights = tf.where(tf.equal(labels,i), count_tensor, weights)
weights.eval()
# array([[0.3333, 0.5, 0.5, 0.3333, 0.2, 0.5],
#        [0.2, 0.2, 0.2, 0.5, 0.2, 0.3333]], dtype=float32)

例如，标签
1
在
labels
张量中出现三次，因此在
权重中，值1/3出现在每个位置，其中
1
在
标签中

现在我不喜欢这段代码的地方是tf.bincount在我的tensorflow版本（1.4.0）的GPU上不工作，我无法更新。
另外，我不确定tensorflow是如何处理for循环的，以及由此产生了多少开销

我想有一个更优雅的办法来解决我的问题。有什么想法吗？
关于循环，你可以调用
tf.gather来代替它：

import tensorflow as tf
import numpy as np

tf.InteractiveSession()
labels = tf.convert_to_tensor(
    np.array([[1, 0, 0, 1, 2, 4], [2, 2, 2, 4, 2, 1]]), dtype=tf.int32)
bc = tf.bincount(labels, minlength=6, maxlength=6)
weights = tf.gather(1.0 / (1e-10 + tf.cast(bc, tf.float32)), labels)
print(weights.eval())

输出：

[[0.33333334 0.5 0.5 0.33333334 0.2 0.5]
[0.2        0.2        0.2        0.5        0.2        0.33333334]]

关于
tf.bincount
仅作为CPU，目前似乎并非如此。事实上，GPU实现似乎已经可用

如果您想要一个替代实现，您可以这样做：

import tensorflow as tf
import numpy as np

tf.InteractiveSession()
labels = tf.convert_to_tensor(
    np.array([[1, 0, 0, 1, 2, 4], [2, 2, 2, 4, 2, 1]]), dtype=tf.int32)
eq = tf.equal(labels[:, :, tf.newaxis], tf.range(6, dtype=labels.dtype))
bc = tf.reduce_sum(tf.cast(eq, tf.float32), axis=[0, 1])
weights = tf.gather(1.0 / (1e-10 + tf.cast(bc, tf.float32)), labels)
print(weights.eval())
# Same output

但是
tf.bincount
可能比这更有效。
由于一些CUDA依赖关系，我目前只能使用tensorflow 1.4.0，因此我无法使用bincount的gpu版本。您是否认为bincount的CPU版本比您建议的另一个使用
tf.equal
的解决方案快？@Merlin1896 Ah在问题中没有正确理解这一点。老实说，我说不出来。除了实际实现的算法外，还取决于许多因素，如实际硬件、张量大小等。混合的GPU/CPU图形将有将数据从一个设备移动到另一个设备的开销，但我的第二个解决方案肯定也需要更多内存。制作一个小基准（具有实际尺寸）来了解它们之间的比较应该不会太难。。。