TensorFlow - 3D 张量，从 2D 张量中收集每个第 N 个张量，步幅为 1答案

【问题标题】：TensorFlow - 3D tensor that gathers every Nth tensor from 2D tensor and strides 1TensorFlow - 3D 张量，从 2D 张量中收集每个第 N 个张量，步幅为 1
【发布时间】：2018-05-15 22:00:59
【问题描述】：

假设我在[M, 1] 中有一个2D-Tensor T，例如

T = tf.expand_dims([A1,
     B1,
     C1,
     A2,
     B2,
     C2], 1)

我想像这样重塑它：

T_reshp = [[[A1], [A2]]
           [[B1], [B2]]
           [[C1], [C2]]]

我提前知道M和N（每组张量的个数）。此外，让t_reshp.shape[0] = M/N = P 在我尝试过使用tf.reshape

T_reshp = tf.reshape(T, [P, N, 1])

但是，我最终得到：

T_reshp = [[[A1], [B1]]
           [[C1], [A2]]
           [[B2], [C2]]]

我可以使用切片或重塑操作来做到这一点吗？

【问题讨论】：

标签： python tensorflow slice reshape

【解决方案1】：

您可以先将其重塑为尺寸[N,P,1]，然后再将transpose 调整为第一和第二轴：

tf.transpose(tf.reshape(T, [N, P, 1]), [1,0,2])
#                           ^^^^ switch the two dimensions here and then transpose

示例：

T = tf.expand_dims([1,2,3,4,5,6], 1)
sess = tf.Session()
T1 = tf.transpose(tf.reshape(T, [2,3,1]), [1,0,2])

sess.run(T1)
#array([[[1],
#        [4]],

#       [[2],
#        [5]],

#       [[3],
#        [6]]], dtype=int32)

【讨论】：

优雅的解决方案！