使用 tf.shape(tensor) 作为循环的边界

Question

在 Python 中使用 Tensorflow，我想使用占位符的形状作为 for 循环的边界。但是，当我尝试执行此操作时，出现错误：“张量”对象不能被解释为整数。这个形状在数据中不是一个常数值，所以我们不能使用 tf.constant。我们如何解决这个问题？

这是我们代码的一部分：

def Model(M, v_a, weights, biases, d, N):

c = multilayer_perceptron((tf.slice(M, [0, 0], ([d, 1]))), v_a, weights, 
    biases)

for i in range(1, N):

    c = tf.concat([c, multilayer_perceptron((tf.slice(M, [0, i], [d, 1])), 
    v_a, weights, biases)], axis=0)

alpha = tf.nn.softmax(tf.reshape(c, [-1]))

v_ns = tf.matmul(M, tf.reshape(alpha, [N, 1]))

layer_3 = tf.add(tf.matmul(weights['W4'], v_ns), biases['b2'])
v_ms = tf.nn.tanh(layer_3)

layer_4 = tf.add(tf.matmul(weights['W5'], v_ms), biases['b3'])
pred = tf.nn.softmax(tf.reshape(layer_4, [-1]))

return pred

M = tf.placeholder(tf.float32)

我需要 N 是一个整数，但它需要等于占位符 M 的列数，这在训练示例中不是恒定的。

Answer 1

编辑：

似乎我一开始没有正确理解这个问题。我会留下原来的答案，因为它是相关的，以防万一有人觉得它有用。

无论如何，如果你想使用一个张量的维度作为循环中的迭代次数，那么维度的值必须是静态已知的（不能是None）。您只需执行以下操作：

for i in range(my_tensor.shape[i_dim].value):
    # loop body...

i_dim 是您要迭代的维度。同样，如果您不知道张量维度的大小，则需要求助于tf.while_loop：

def body(dim, i):
    # loop body...
    return dim, i + 1

cond = lambda dim, i: dim > i

tf.while_loop(cond, body, [tf.shape(my_tensor)[i_dim], 0])

---

您如何或是否可以做到这一点取决于您在循环时对张量的了解程度。如果形状是完全已知的，你可以简单地这样做：

for dim in my_tensor.shape.as_list():
    # loop body...

这里，dim 将是已知维度的常规 Python 整数。但是，如果存在未知维度，它们将被读取为None。如果你不知道确切的维度，但你知道张量的等级（即维度的数量），你可以这样做：

shape = tf.shape(my_tensor)
for i in range(my_tensor.shape.ndims):
    dim = shape[i]
    # loop body...

在这种情况下，dim 将是保存张量维度的 TensorFlow 值，因此您只能使用它来计算其他张量，但保证定义了所有维度。

最后，如果你甚至不知道张量中的维数，你将无法用形状制作一个规则的循环。如果有的话，你可以使用tf.while_loop 来做你需要的事情：

def body(shape, i):
    dim = shape[i]
    # loop body...
    return shape, i + 1

cond = lambda shape, i: tf.shape(shape)[0] > i

tf.while_loop(cond, body, [tf.shape(my_tensor), 0])