Python Tensorflow 2.x–；周围细胞平均张量

我试图在Tensorflow 2.x中编写一个自定义损失函数，它鼓励在输出空间（2D矩阵）中逐渐增加梯度。所以，作为损失函数的一个组成部分，我想取一个张量并返回一个张量，其中每个单元代表原始张量中对应的相邻单元的平均值

例如，以左上角的单元格为例：6.3=（7+9+3）/3。或者以中间的单元格为例：4.5=（1+3+5+7+8+6+4+2）/8

考虑以下代码：

def gradient\u鼓励\u损失（y\u真：张量，y\u pred：张量）->张量：
梯度损失：张量=tf.divide（tf.reduce）和（tf.abs（tf.subtract(
y_pred，张量_调和（y_pred）
)))，tf.cast（tf.size（y_pred），tf.float32））
返回梯度损失

---

如何实现张量谐波（）

y_pred

的形状为

（None，X，y）

，其中X和y是输出矩阵的维数。

大部分情况下可以通过二维卷积运算来实现，但需要特别注意外部值。以下是您如何做到这一点：

将tensorflow导入为tf
def环绕_平均值（x）：
x=tf。将_转换为_张量（x）
dt=x.dtype
#计算环绕和
filter=tf.常数（[[1,1,1]，[1,0,1]，[1,1,1]]，dtype=dt）
x2=x[tf.newaxis，：，：，tf.newaxis]
filter2=过滤器[：，：，tf.newaxis，tf.newaxis]
y2=tf.nn.conv2d（x2，filter2，步长=1，padding='SAME'）
y=y2[0，：，：，0]
#生成周围元素数的矩阵
s=tf.形状（x）
d=tf.fill（s-2，tf.constant（8，dtype=dt））
d=tf.pad（d，[[0,0]，[1,1]]，常量值=5）
顶行=tf.concat（[[3]，tf.fill（[s[1]-2]，tf.constant（5，dtype=dt）），[3]]，轴=0）
d=tf.concat（[[top_row]，d[top_row]]，轴=0）
#平均回报率
返回y/d
#试验
x=tf.重塑（tf.范围（24.），（4,6））
打印（x.numpy（））
# [[ 0.  1.  2.  3.  4.  5.]
#  [ 6.  7.  8.  9. 10. 11.]
#  [12. 13. 14. 15. 16. 17.]
#  [18. 19. 20. 21. 22. 23.]]
打印（环绕平均值（x）.numpy（））
# [[ 4.6666665  4.6        5.6        6.6        7.6        8.333333 ]
#  [ 6.6        7.         8.         9.        10.        10.4      ]
#  [12.6       13.        14.        15.        16.        16.4      ]
#  [14.666667  15.4       16.4       17.4       18.4       18.333334 ]]

编辑：上面的代码可以进行调整，以处理批量矩阵，只需稍作修改：

将tensorflow导入为tf
def环绕_平均_批次（x）：
x=tf。将_转换为_张量（x）
dt=x.dtype
#计算环绕和
filter=tf.常数（[[1,1,1]，[1,0,1]，[1,1,1]]，dtype=dt）
x2=tf.展开尺寸（x，轴=-1）
filter2=过滤器[：，：，tf.newaxis，tf.newaxis]
y2=tf.nn.conv2d（x2，filter2，步长=1，padding='SAME'）
y=tf.挤压（y2，轴=-1）
#生成周围元素数的矩阵
s=tf.形状（x）
d=tf.fill（s[1:]-2，tf.constant（8，dtype=dt））
d=tf.pad（d，[[0,0]，[1,1]]，常量值=5）
顶行=tf.concat（[[3]，tf.fill（[s[2]-2]，tf.constant（5，dtype=dt）），[3]]，轴=0）
d=tf.concat（[[top_row]，d[top_row]]，轴=0）
#平均回报率
返回y/d
#试验
x=tf.重塑（tf.范围（24），（2,4,3））
打印（x.numpy（））
# [[[ 0.  1.  2.]
#   [ 3.  4.  5.]
#   [ 6.  7.  8.]
#   [ 9. 10. 11.]]
# 
#  [[12. 13. 14.]
#   [15. 16. 17.]
#   [18. 19. 20.]
#   [21. 22. 23.]]]
打印（环绕\u平均\u批次（x）.numpy（））
# [[[ 2.6666667  2.8        3.3333333]
#   [ 3.6        4.         4.4      ]
#   [ 6.6        7.         7.4      ]
#   [ 7.6666665  8.2        8.333333 ]]
# 
#  [[14.666667  14.8       15.333333 ]
#   [15.6       16.        16.4      ]
#   [18.6       19.        19.4      ]
#   [19.666666  20.2       20.333334 ]]]

这就为2D张量提供了窍门！为了使它能够处理一批形状为

（None，X，Y）

，我使用了

tf.map\u fn（fn=surround\u average，elems=Y\u pred）

，其中

Y\u pred

是形状为

（None，X，Y）

。谢谢大家!@B.Freeman I添加了一个批处理版本的函数，应该比使用

tf.map\u fn

快得多。