在张量流中重塑批处理变量答案

【问题标题】：Reshaping batch variable in tensorflow在张量流中重塑批处理变量
【发布时间】：2017-10-19 15:08:00
【问题描述】：

在 Tensorflow 中，我想重塑一个批处理变量 A 的形式 [100, 32, 32] 转换为 [10, 10, 32, 32] 形式的 B。但是天真地使用 reshape 会丢失订单信息。

例如，A[10,:,:] 与 B[1,0,:,:] 不同，其中 1 表示 10 秒的小批量的下一行。

我希望32*32 的订单因为它是一个图像而保持不变，而我想以以下方式重塑其中的 100 个图像：

1 -> 2 -> ... -> 10

11 -> 12 -> ... -> 20

... ...

91 -> 92 -> ... -> 100

如何在张量流中做到这一点？

【问题讨论】：

标签： tensorflow reshape transpose

【解决方案1】：

tf.reshape 做你想做的事，如果我正确理解你想要什么的话。例如：

data = np.array(range(100*32*32)).reshape((100,32,32))
A = tf.constant(data)
B = tf.reshape(A, [10, 10, 32, 32])

with tf.Session() as sess:
    print("A")
    print(sess.run(A)[10, :, :])
    print()
    print("B")
    print(sess.run(B)[1, 0, :, :])

输出：

A
 [[10240 10241 10242 ..., 10269 10270 10271]
  [10272 10273 10274 ..., 10301 10302 10303]
  [10304 10305 10306 ..., 10333 10334 10335]
  ...,
  [11168 11169 11170 ..., 11197 11198 11199]
  [11200 11201 11202 ..., 11229 11230 11231]
  [11232 11233 11234 ..., 11261 11262 11263]]

B
 [[10240 10241 10242 ..., 10269 10270 10271]
  [10272 10273 10274 ..., 10301 10302 10303]
  [10304 10305 10306 ..., 10333 10334 10335]
  ...,
  [11168 11169 11170 ..., 11197 11198 11199]
  [11200 11201 11202 ..., 11229 11230 11231]
  [11232 11233 11234 ..., 11261 11262 11263]]

【讨论】：

【解决方案2】：

您可以使用tf.unstack，然后使用tf.stack。

例如：

A = tf.random_uniform([100, 32, 32])
temp = tf.unstack(t)
B = tf.stack([temp[pos:pos+10] for pos in range(0, len(temp), 10)]

或者更透明和灵活一点：

def chunker(seq, size):
    return [seq[pos:pos+size] for pos in range(0, len(seq), size)]

B = tf.stack(chunker(temp,10))

【讨论】：