TensorFlow：如何将张量的行与具有相同第一个元素的张量的第二个元素相加？答案

【问题标题】：TensorFlow: How to combine rows of tensor with summing the 2nd element of tensor which has the same 1st element?TensorFlow：如何将张量的行与具有相同第一个元素的张量的第二个元素相加？
【发布时间】：2019-09-16 14:46:38
【问题描述】：

例如，我想add 这个张量的第二个元素，其中第一个元素相同。也欢迎任何基于 Numpy 的解决方案！

发件人：

x = tf.constant([
    [1., 0.9],
    [2., 0.7],
    [1., 0.7],
    [3., 0.4],
    [4., 0.8]
], dtype=tf.float32)

收件人：

x = tf.constant([
    [1., 1.6],
    [2., 0.7],
    [3., 0.4],
    [4., 0.8]
], dtype=tf.float32)

【问题讨论】：

标签： python numpy tensorflow

【解决方案1】：

numpy 解决方案：

x = np.array([
    [1., 0.9],
    [2., 0.7],
    [1., 0.7],
    [3., 0.4],
    [4., 0.8]])

ans = np.array([[i,np.sum(x[np.where(x[:,0]==i), 1])] for i in set(x[:,0])])

给了

array([[1. , 1.6],
       [2. , 0.7],
       [3. , 0.4],
       [4. , 0.8]])

您将无法对 'tf.constant()' 执行此操作，因为它是一个 constant 变量并且不支持更改其值。如果要更改 tensorflow 数据结构中的值，最好将值传递给 tf.placeholder 或使用 tf.Variable。但是，这些需要预定义的尺寸，并且不能根据您的问题更改其尺寸。

【讨论】：

感谢基于 numpy 的解决方案，但事实证明，您可以使用 tf.unique_with_counts() 和 tf.segment_sum() 来做到这一点。您可以在下面查看我的答案。

【解决方案2】：

感谢 FinleyGibson 提供 Numpy 解决方案和一些有用的 TensorFlow 指针！这是我在 TF 中使用tf.unique_with_counts() 和tf.segment_sum() 的解决方案：

罢工>

x = tf.constant([
    [1., 0.9],
    [2., 0.7],
    [1., 0.7],
    [3., 0.4],
    [4., 0.8]
], dtype=tf.float32)

with tf.Session() as sess:
    y, idx, y_counts = tf.unique_with_counts(x[:, 0])
    idx_sorted = tf.sort(idx, axis=-1, direction='ASCENDING')
    score_sum = tf.segment_sum(x[:, 1], idx_sorted)
    result = tf.stack((y, score_sum), axis=1)
    print(sess.run(result))

[[1.       1.5999999]
[2.        0.7      ]
[3.        0.4      ]
[4.        0.8      ]]

编辑：

似乎上述解决方案没有正确排序行/列对。这是固定版本。

with tf.Session() as sess:
    x = tf.constant([
        [2., 0.7],
        [1., 0.1],
        [3., 0.4],
        [4., 0.8],
        [1., 0.9]], dtype=tf.float32)

    def matrix_sort(a, col):
        return tf.gather(a, tf.nn.top_k(-a[:, col], k=a.get_shape()[0].value).indices)

    sorted_x = matrix_sort(matrix_sort(x, 1), 0)
    labels = sorted_x[:, 0]
    scores = sorted_x[:, 1]
    y, idx, y_counts = tf.unique_with_counts(labels)
    score_sum = tf.segment_sum(scores, idx)    
    result = tf.stack((y, score_sum), axis=1) 
    print(sess.run(result))

[[1.  1. ]
 [2.  0.7]
 [3.  0.4]
 [4.  0.8]]

【讨论】：