Sorting 如何在tensorflow中对一批2D张量进行排序？

我有一个张量

a

，形状为

[#batch，#MaxSequence，#Features]

，其中第二维度的实际长度（可能小于

#MaxSequence

）存储在一个张量

L

中。我想在每个批次的序列上按第三维中的第二个特征对

A

进行排序。我使用

tf.gather

和

tf.nn.top_k

对二维张量进行排序，但我不知道如何将其应用于三维情况。我需要使用loop来完成吗？

我有一些工作，但可能存在更好的解决方案。我想对于这个简单的问题，我的代码可能过于复杂了

其思想是，我们必须将

tf.nn.top_k（a[：，：，1）]的返回索引（按第三维度中第二个特征的顺序）转换为可以使用的东西。特别是对于我下面的示例，我们需要将

 [[3, 2, 1, 0],
  [0, 1, 2, 3],
  [2, 0, 3, 1]] 

到

我发现：


首先展平目标索引，从而得到
[3 2 1 0 1 2 3 2 0 3 1]
有意地构造一对向量
[0 0 0 0 1 1 2 2 2]
tf.stack
将上述两个向量叠加，然后我们将结果重塑为期望的结果

完整的tf代码如下（
get\u shape
方法已定义）：

将tensorflow导入为tf
a=tf.变量（[[0.51,0.52,0.53,0.94,0.35]，
[0.32, 0.72, 0.83, 0.74, 0.55],
[0.23, 0.73, 0.63, 0.64, 0.35],
[0.01, 0.74, 0.73, 0.04, 0.75]],
[[0.32, 0.76, 0.83, 0.74, 0.55],
[0.23, 0.72, 0.63, 0.64, 0.35],
[0.11, 0.02, 0.03, 0.14, 0.15],
[0.01, 0.00, 0.73, 0.04, 0.75]],
[[0.51, 0.52, 0.53, 0.94, 0.35],
[0.32, 0.00, 0.83, 0.74, 0.55],
[0.23, 0.92, 0.63, 0.64, 0.35],
[0.11,0.02,0.03,0.14,0.15]]，tf.32）
批次大小、序列长度、数量特征=获取形状（a）
idx=tf.重塑（范围（批次大小），[-1,1]）
idx_flat=tf.重塑（tf.平铺（idx，[1，序列长度]，[-1]）
top_k_flat=tf.重塑（tf.nn.top_k（a[：，：，1]，
k=序列长度）。指数，[-1]）
最终idx=tf.重塑（tf.堆叠（[idx_平面，顶部k_平面]，1），
[批次大小，序列长度，2]）
重新排序=tf.gather\u nd（a，final\u idx）
sess=tf.InteractiveSession（）
sess.run（tf.global\u variables\u initializer（））
打印sess.run（重新排序）
#有序的
#由此
#列（每个示例中）
[[[ 0.01      ,  0.74000001,  0.73000002,  0.04      ,  0.75      ],
[ 0.23      ,  0.73000002,  0.63      ,  0.63999999,  0.34999999],
[ 0.31999999,  0.72000003,  0.82999998,  0.74000001,  0.55000001],
[ 0.50999999,  0.51999998,  0.52999997,  0.94      ,  0.34999999]],
[[ 0.31999999,  0.75999999,  0.82999998,  0.74000001,  0.55000001],
[ 0.23      ,  0.72000003,  0.63      ,  0.63999999,  0.34999999],
[ 0.11      ,  0.02      ,  0.03      ,  0.14      ,  0.15000001],
[ 0.01      ,  0.        ,  0.73000002,  0.04      ,  0.75      ]],
[[ 0.23      ,  0.92000002,  0.63      ,  0.63999999,  0.34999999],
[ 0.50999999,  0.51999998,  0.52999997,  0.94      ,  0.34999999],
[ 0.11      ,  0.02      ,  0.03      ,  0.14      ,  0.15000001],
[ 0.31999999,  0.        ,  0.82999998,  0.74000001,  0.55000001]]

请注意，在输出中，我们有三个示例。在每个示例中，序列按第二个特征向下排序。
谢谢！这一点并不复杂（与循环相比）。我们可以将其应用于长度可变但填充为
seq_length
？例如，a[0][3][：]如果填充值为0.0，则序列[0]的实际长度为3，而a[1]和a[2]的实际长度仍然为4。我认为
get_shape
将解决这一问题，只要使用全零向量填充（所有特征均为零。因此，在对这些填充序列进行排序后，它们将成为示例中的最后几个序列。由于我在将每个特征读入此三维张量之前对其进行了规格化，其中一些特征将为负值。也许我应该用非常负值（例如-9998）填充它们？是的，这是有意义的，至少对于第二个特征而言是如此。）（您排序的那个）您应该进行更改。更新：为了在第一个维度上使用
None
大小，我稍微更改了
idx=tf.reformate（range（batch\u size），[-1，1]）
到
idx=tf.reformate（tf.range（batch\u size），[-1，1]）
。
 [[[0 3], [0 2], [0 1], [0 0]]
  [[1 0], [1 1], [1 2], [1 3]]
  [[2 2], [2 0], [2 3], [2 1]]]