张量流中张量对象的非连续索引切片（高级索引，如numpy）

Question

我研究了 tensorflow 中不同的切片方式，即tf.gather 和tf.gather_nd。 在 tf.gather 中，它只是对一个维度进行切片，在 tf.gather_nd 中，它只接受一个 indices 应用于输入张量。

我需要的是不同的，我想使用两个不同的张量对输入张量进行切片；一个切片在行上，第二个切片在列上，它们的形状不一定相同。

例如：

假设这是我想要提取其中一部分的输入张量。

input_tf = tf.Variable([ [9.968594,  8.655439,  0.,        0.       ],
                         [0.,        8.3356,    0.,        8.8974   ],
                         [0.,        0.,        6.103182,  7.330564 ],
                         [6.609862,  0.,        3.0614321, 0.       ],
                         [9.497023,  0.,        3.8914037, 0.       ],
                         [0.,        8.457685,  8.602337,  0.       ],
                         [0.,        0.,        5.826657,  8.283971 ],
                         [0.,        0.,        0.,        0.       ]])

第二个是：

 rows_tf = tf.constant (
[[1, 2, 5],
 [1, 2, 5],
 [1, 2, 5],
 [1, 4, 6],
 [1, 4, 6],
 [2, 3, 6],
 [2, 3, 6],
 [2, 4, 7]])

第三张量：

columns_tf = tf.constant(
[[1],
 [2],
 [3],
 [2],
 [3],
 [2],
 [3],
 [2]])

现在，我想使用rows_tf 和columns_tf 对input_tf 进行切片。在行中索引[1 2 5]，在columns_tf 中索引[1]。同样，[1 2 5] 和 [2] 在 columns_tf 中的行。

或者，[1 4 6] 和 [2]。

总的来说，rows_tf 中的每个索引，与columns_tf 中的相同索引都会提取input_tf 的一部分。

因此，预期的输出将是：

[[8.3356,    0.,        8.457685 ],
 [0.,        6.103182,  8.602337 ],
 [8.8974,    7.330564,  0.       ],
 [0.,        3.8914037, 5.826657 ],
 [8.8974,    0.,        8.283971 ],
 [6.103182,  3.0614321, 5.826657 ],
 [7.330564,  0.,        8.283971 ],
 [6.103182,  3.8914037, 0.       ]]

例如，这里的第一行 [8.3356, 0., 8.457685 ] 正在使用

提取

rows in rows_tf [1,2,5] and column in columns_tf [1](row 1 and column 1, row 2 and column 1 and row 5 and column 1 in the input_tf)

有几个关于 tensorflow 切片的问题，尽管他们使用了 tf.gather 或 tf.gather_nd 和 tf.stack，但没有给出我想要的输出。

无需提及，在numpy 中，我们可以通过调用：input_tf[rows_tf, columns_tf] 轻松做到这一点。

我也看过这个高级索引，它试图模拟 numpy 中可用的高级索引，但它仍然不像 numpy 灵活https://github.com/SpinachR/ubuntuTest/blob/master/beautifulCodes/tensorflow_advanced_index_slicing.ipynb

这是我尝试过的不正确的：

tf.gather(tf.transpose(tf.gather(input_tf,rows_tf)),columns_tf)

这段代码的维度输出是(8, 1, 3, 8)，完全不正确。

提前致谢！

Answer 1

这个想法是首先将稀疏索引（通过连接行索引和列索引）作为一个列表。然后您可以使用gather_nd 来检索值。

tf.reset_default_graph()
input_tf = tf.Variable([ [9.968594,  8.655439,  0.,        0.       ],
                         [0.,        8.3356,    0.,        8.8974   ],
                         [0.,        0.,        6.103182,  7.330564 ],
                         [6.609862,  0.,        3.0614321, 0.       ],
                         [9.497023,  0.,        3.8914037, 0.       ],
                         [0.,        8.457685,  8.602337,  0.       ],
                         [0.,        0.,        5.826657,  8.283971 ],
                         [0.,        0.,        0.,        0.       ]])
rows_tf = tf.constant (
[[1, 2, 5],
 [1, 2, 5],
 [1, 2, 5],
 [1, 4, 6],
 [1, 4, 6],
 [2, 3, 6],
 [2, 3, 6],
 [2, 4, 7]])
columns_tf = tf.constant(
[[1],
 [2],
 [3],
 [2],
 [3],
 [2],
 [3],
 [2]])
rows_tf = tf.reshape(rows_tf, shape=[-1, 1])
columns_tf = tf.reshape(
    tf.tile(columns_tf, multiples=[1, 3]), 
    shape=[-1, 1])
sparse_indices = tf.reshape(
    tf.concat([rows_tf, columns_tf], axis=-1), 
    shape=[-1, 2])

v = tf.gather_nd(input_tf, sparse_indices)
v = tf.reshape(v, [-1, 3])

with tf.Session() as sess:
  sess.run(tf.initialize_all_variables())
  #print 'rows\n', sess.run(rows_tf)
  #print 'columns\n', sess.run(columns_tf)
  print sess.run(v)

结果是：

[[ 8.3355999   0.          8.45768547]
 [ 0.          6.10318184  8.60233688]
 [ 8.8973999   7.33056402  0.        ]
 [ 0.          3.89140368  5.82665682]
 [ 8.8973999   0.          8.28397083]
 [ 6.10318184  3.06143212  5.82665682]
 [ 7.33056402  0.          8.28397083]
 [ 6.10318184  3.89140368  0.        ]]