TensorFlow：切片张量并保持原始形状答案

【问题标题】：TensorFlow: slice Tensor and keep original shapeTensorFlow：切片张量并保持原始形状
【发布时间】：2019-08-28 14:13:34
【问题描述】：

我有一个形状为 (?, 1082) 的张量 tensor，我想在 for 循环中将此张量切成 n 子部分，但我想保留原始形状，包括未知尺寸 ?。

例子：

lst = []
for n in range(15):
    sub_tensor = tensor[n] # this will reduce the first dimension
    print(sub_tensor.get_shape())

我正在寻找的打印输出：

(?, 1082) 
(?, 1082)

等等

这在 TensorFlow 中如何实现？

【问题讨论】：

【解决方案1】：

考虑到您的问题可能有很多限制，我至少可以想到 3 个解决方案。您可以使用tf.split。我将使用 tf.placeholder，但它也适用于张量和变量。

p = tf.placeholder(shape=[None,10], dtype=tf.int32)
s1, s2 = tf.split(value=p, num_or_size_splits=2, axis=1)

但是，如果所需的拆分数量很大，这种方法可能会变得不可行。注意它也可以拆分None轴。

for n in range(15):
    sub_tensor = tensor[n, :] 
s = tf.slice(p, [0,2], [-1, 2])

Slice 可用于多维张量，但使用起来相当棘手。您可以使用tf.Tensor.getitem 方法，几乎就像您在问题中描述的那样。它的作用类似于NumPy。所以这应该可以完成工作：

for n in range(10):
    print(p[n, :])

但是，这些方法的使用在很大程度上取决于您的特定应用程序。希望这会有所帮助。

【讨论】：