Tensorflow：在函数内填充张量

Question

我要定义的是以下想法：

考虑这些张量在哪里

a = tf.constant([1., 1.5, 1.2]) # tensor with shape [3,]
b = tf.constant([1., 2., 3.])   # ""
c = tf.constant([3., 0., 6.])   # ""

t = tf.constant([0.5, 0.6, 0.7, 2., 4., 5., 6.]) # tensor with shape [7,]

现在让我们考虑我想计算一个新张量，使用之前张量的每个元素，例如：

def new_tensor(a, b, c, t):
    X = tf.constant([[tf.sin(a*t[1]), b*t[3], c+t[4]], 
        [tf.cos(b*t[5]), tf.atan2(t[5], c), a+t[2]+b],  
        [a+t[4], a+b, c*t[0]]])
    return X

X 应该是一个形状为[3, 3, 3] 的张量。也就是说，我想定义一个以四个张量作为输入的函数：其中三个具有相同的形状，第四个具有不同的形状。我希望该函数为前三个输入 (a, b, c) 的每个值计算张量 (X)。

使用此代码 TensorFlow 会出现此错误：

TypeError: List of Tensors when single Tensor expected

根据post，这是因为tf.constant 不能将张量作为输入，他们建议改用tf.Variable。但我认为这不适合我，因为我以后必须使用X 并且不想初始化它等等。我也读过这个other post，但找不到我的问题的任何答案.

有什么方法可以做我想做的事吗？我的代码对我的目的有意义吗？提前谢谢你。

更新：用 jdehesa 回答

采用@jdehesa 的答案并使生成的张量更简单：

def new_tensor(a, b, c, t):
    # Could also use tf.convert_to_tensor
    X = tf.stack([[a+t[1],   b*t[1],    c+t[1]],
                  [b*t[0],  t[5]+ c,  a+t[2]+b],
                  [a+t[4],      a+b,   c*t[0]]])
    return X

还有张量：

a = tf.constant([1., 1., 1.]) # tensor with shape [3,]
b = tf.constant([2., 2., 2.])   # ""
c = tf.constant([3., 3., 3.])   # ""

t = tf.constant([1., 1., 1., 1., 1., 1., 1.]) # tensor with shape [7,]

我得到的是以下张量：

# When evaluating x = new_tensor(a,b,c,t)
[[[2. 2. 2.]
  [2. 2. 2.]
  [4. 4. 4.]]

 [[2. 2. 2.]
  [4. 4. 4.]
  [4. 4. 4.]]

 [[2. 2. 2.]
  [3. 3. 3.]
  [3. 3. 3.]]]

但我期望的是：

[[[2. 2. 4.]
  [2. 4. 4.]
  [2. 3. 3.]]

 [[2. 2. 4.]
  [2. 4. 4.]
  [2. 3. 3.]]

 [[2. 2. 4.]
  [2. 4. 4.]
  [2. 3. 3.]]]

我希望它对输入张量的每个元素进行评估。

Answer 1

没错，您只能将 Python 或 NumPy 值传递给 tf.constant，但您可以使用 tf.stack 构建您的张量，或者，如果您愿意，通常使用 tf.convert_to_tensor：

import tensorflow as tf

def new_tensor(a, b, c, t):
    # Could also use tf.convert_to_tensor
    X = tf.stack([[tf.sin(a*t[1]),            b*t[3],   c+t[4]],
                  [tf.cos(b*t[5]), tf.atan2(t[5], c), a+t[2]+b],
                  [        a+t[4],               a+b,   c*t[0]]])
    return X

with tf.Graph().as_default(), tf.Session() as sess:
    a = tf.constant([1., 1.5, 1.2]) # tensor with shape [3,]
    b = tf.constant([1., 2., 3.])   # ""
    c = tf.constant([3., 0., 6.])   # ""
    t = tf.constant([0.5, 0.6, 0.7, 2., 4., 5., 6.]) # tensor with shape [7,]
    x = new_tensor(a, b, c, t)
    print(sess.run(x))
    # [[[ 0.5646425   0.7833269   0.65938467]
    #   [ 2.          4.          6.        ]
    #   [ 7.          4.         10.        ]]
    # 
    #  [[ 0.2836622  -0.8390715  -0.7596879 ]
    #   [ 1.0303768   1.5707964   0.69473827]
    #   [ 2.7         4.2         4.9       ]]
    # 
    #  [[ 5.          5.5         5.2       ]
    #   [ 2.          3.5         4.2       ]
    #   [ 1.5         0.          3.        ]]]

---

编辑：对于第二个示例，要获得所需的结果，您需要使用 tf.transpose 更改张量尺寸的顺序：

import tensorflow as tf

def new_tensor(a, b, c, t):
    # Could also use tf.convert_to_tensor
    X = tf.stack([[a+t[1],   b*t[1],    c+t[1]],
                  [b*t[0],  t[5]+ c,  a+t[2]+b],
                  [a+t[4],      a+b,   c*t[0]]])
    X = tf.transpose(X, (2, 0, 1))
    return X

with tf.Graph().as_default(), tf.Session() as sess:
    a = tf.constant([1., 1., 1.]) # tensor with shape [3,]
    b = tf.constant([2., 2., 2.])   # ""
    c = tf.constant([3., 3., 3.])   # ""
    t = tf.constant([1., 1., 1., 1., 1., 1., 1.]) # tensor with shape [7,]
    x = new_tensor(a, b, c, t)
    print(sess.run(x))
    # [[[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]
    # 
    #  [[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]
    # 
    #  [[2. 2. 4.]
    #   [2. 4. 4.]
    #   [2. 3. 3.]]]