如何在不假设其形状的情况下合并张量的两个维度答案

【问题标题】：How to merge two dimensions of a tensor without assuming the shape of it如何在不假设其形状的情况下合并张量的两个维度
【发布时间】：2019-10-07 11:14:45
【问题描述】：

让我们假设以下函数：

from tensorflow.python.keras import backend as K

def broadcast_sum(a, b):
    a = K.expand_dims(a, 1)
    b = K.expand_dims(b, 2)
    c = a + b
    cs = K.shape(c)
    return K.reshape(c, (cs[0], -1, cs[-1]))

给定两个形状张量(1, 3, 2) 和(1, 4, 2)，它正确返回：

>>> broadcast_sum(K.placeholder((1, 3, 2)), K.placeholder((1, 4, 2)))
>>> <tf.Tensor 'Reshape_2:0' shape=(1, 12, 2) dtype=float32>

目前，此功能仅适用于 3D 输入（因为 reshape 行）。我的问题是，如何在不知道形状的情况下使用任何形状（使用相同的功能）？当然，我假设输入具有相同的形状并且至少是 3D。但是我如何才能拥有一个适用于 3D、4D 等的函数呢？

我假设函数将广播的始终是第二个维度（从左起），其余维度在两个输入之间是相同的。以下是我想要使用相同功能的形状：

>>> broadcast_sum(K.placeholder((1, 3, 5, 2)), K.placeholder((1, 4, 5, 2)))
>>> <tf.Tensor 'Reshape_3:0' shape=(1, 60, 2) dtype=float32>

当然，现在返回的张量是错误的。它的形状应该是(1, 12, 5, 2)。

[更新]

还请考虑第一个维度（批量大小）可能是None。事实上，除了最右边的维度之外的任何维度都可以是None。

【问题讨论】：

标签： tensorflow keras tensor

【解决方案1】：

我假设它始终是第二维（从左至右）该函数将广播，其余维度为两个输入之间相同。

基于此，我重用了其中一个输入的形状信息。

from tensorflow.python.keras import backend as K
def broadcast_sum(a, b):
    final_shape = (a.shape[0], -1, *a.shape[2:])
    a = K.expand_dims(a, 1)
    b = K.expand_dims(b, 2)
    c = a + b
    return K.reshape(c, final_shape)


print(broadcast_sum(K.placeholder((1, 3, 2)), K.placeholder((1, 4, 2))))
print(broadcast_sum(K.placeholder((1, 3, 5, 2)), K.placeholder((1, 4, 5, 2))))

Tensor("Reshape:0", shape=(1, 4, 3, 2), dtype=float32)
Tensor("Reshape_1:0", shape=(1, 12, 5, 2), dtype=float32)

【讨论】：

谢谢，虽然这有帮助，但我必须坚持使用K.shape()，因为批量大小维度可能是None。如果是这样，您的解决方案将无法正常工作。
事实上，现在我想起来，任何尺寸（除了最右边的）都可以是None。我希望我能想出一个解决方案，它依赖于操纵K.shape() 的返回值，所以它一直有效（只要提供最右边的维度）。