如何在 Tensorflow 中将张量读取为 numpy 数组或列表？答案

【问题标题】：How to read a tensor as a numpy array or list in Tensorflow?如何在 Tensorflow 中将张量读取为 numpy 数组或列表？
【发布时间】：2019-08-14 12:37:23
【问题描述】：

我有一个张量 x，

x={Tensor} Tensor("Cast:0", shape=(?,3), dtype=int32)

现在，我需要遍历这个张量批次的每个三元组（比如一个三元组是 (a,b,c)）并获取其中的第一个元素（在本例中为 a）。

然后，我需要获取数据集 Y（如下）中的所有其他三元组，它们的第一个元素也为 'a'。

最终，我希望返回所有以 'a' 作为第一个元素的三元组，不包括有问题的三元组（即在这种情况下，不包括 (a,b,c)）。

假设 x 是一个列表，我之前也在使用相同的方法。

因此，就列表操作而言：

t=list({triple for x in x_to_score for triple in self.d[x[0]]} - set(x_to_score.eval()))

其中 d 是一个字典，其中包含按第一个元素分组的所有三元组的列表。例如：

对于

    Y=np.array([['a', 'y', 'b'],
              ['b', 'y', 'a'],
              ['a', 'y', 'c'],
              ['c', 'y', 'a'],
              ['a', 'y', 'd'],
              ['c', 'y', 'd'],
              ['b', 'y', 'c'],
              ['f', 'y', 'e']])

    d={'f': [('f', 'y', 'e')],
       'c': [('c', 'y', 'a'), ('c', 'y', 'd')],
        'a': [('a', 'y', 'b'), ('a', 'y', 'c'), ('a', 'y', 'd')],
        'b': [('b', 'y', 'a'), ('b', 'y', 'c')]}

但是，我是 tensorflow 的新手，无法找到将这些操作转换为张量的方法。对于每个评估的三元组，结果也应该是 [?,3] 的顺序。

请注意，必须禁用急切执行。

欢迎任何帮助！

编辑： 如果输入张量 x=(a,y,d)（注意这可以是一个批次，所以 x=[(a,y,d),(b,y,c)] 等），那么预期的输出将是：

[('a', 'y', 'b'), ('a', 'y', 'c')]

【问题讨论】：

您能否给出示例中的X 数组所需的输出？我不明白您是否想要 X 中的“三元组”匹配 first 三元组或 each 三元组的第一个元素，如果是第二种情况，我不确定你是否想要获得几个张量或什么。另外，我不清楚X 是否可能包含重复的三元组，在这种情况下，是否需要排除匹配的三元组的副本。
@jdehesa 刚刚意识到问题不是很清楚，进行了编辑。数据集 Y 或 x 中不会有重复的三元组。
好的，但是你说“注意这可以是一个批处理”，那么在批处理的情况下你会得到什么输出？连接所有子结果？多个张量？ 3D 张量（在这种情况下，每个给定输入的匹配数必须相同，否则结果需要不规则或填充）？
@jdehesa 基本上是一个 [n,3] 列表，它是所有连接的子结果，但对于每个主题都是可区分的。所以在 [(a,y,d),(b,y,c)] 的示例批次中，结果应该是 [[(a,y,b),(a,y,c)],[(b, y,a)]]
好的，一批内匹配的三元组数，是固定的吗？因为如果它是可变的，你将无法做到这一点（如果你想要一个 Python 的张量列表，该列表的大小必须是固定的并且事先知道）。

标签： python numpy tensorflow tensor-indexing

【解决方案1】：

对此的一种可能解决方案是计算数组结果，一个与所有输入的连接匹配，另一个指示它所引用的输入的索引。它可以像这样工作：

import tensorflow as tf

X = tf.placeholder(tf.string, [None, 3])
Y = tf.constant([
    ['a', 'y', 'b'],
    ['b', 'y', 'a'],
    ['a', 'y', 'c'],
    ['c', 'y', 'a'],
    ['a', 'y', 'd'],
    ['c', 'y', 'd'],
    ['b', 'y', 'c'],
    ['f', 'y', 'e']
])
# Compare every input to every data
cmp = tf.equal(tf.expand_dims(X, 1), Y)
# Triples matching the first element
first_match = cmp[:, :, 0]
# Triples matching all elements
all_match = tf.reduce_all(cmp, axis=2)
# Triple matching the first element but not all elements
matches = first_match & (~all_match)
# Find indices
match_idx = tf.where(matches)
# Index of the input triple each result refers to
match_x = match_idx[:, 0]
# Concatenated resulting triples
match_y = tf.gather(Y, match_idx[:, 1])
# Test
with tf.Graph().as_default(), tf.Session() as sess:
    x_val = [['a', 'y', 'd'], ['b', 'y', 'c']]
    match_x_val, match_y_val = sess.run((match_x, match_y), feed_dict={X: x_val})
    print(*zip(match_x_val, match_y_val), sep='\n')

输出：

(0, array([b'a', b'y', b'b'], dtype=object))
(0, array([b'a', b'y', b'c'], dtype=object))
(1, array([b'b', b'y', b'a'], dtype=object))

【讨论】：