python - 了解 tensorflow 切片操作

Question

我对以下代码感到困惑:

import tensorflow as tfimport numpy as npfrom tensorflow.python.framework import opsfrom tensorflow.python.ops import array_opsfrom tensorflow.python.ops import control_flow_opsfrom tensorflow.python.ops import math_opsfrom tensorflow.python.framework import dtypes'''Randomly crop a tensor, then return the crop position'''def random_crop(value, size, seed=None, name=None):    with ops.name_scope(name, "random_crop", [value, size]) as name:        value = ops.convert_to_tensor(value, name="value")        size = ops.convert_to_tensor(size, dtype=dtypes.int32, name="size")        shape = array_ops.shape(value)        check = control_flow_ops.Assert(                math_ops.reduce_all(shape >= size),                ["Need value.shape >= size, got ", shape, size],                summarize=1000)        shape = control_flow_ops.with_dependencies([check], shape)        limit = shape - size + 1        begin = tf.random_uniform(                array_ops.shape(shape),                dtype=size.dtype,                maxval=size.dtype.max,                seed=seed) % limit        return tf.slice(value, begin=begin, size=size, name=name), beginsess = tf.InteractiveSession()size = [10]a = tf.constant(np.arange(0, 100, 1))print (a.eval())a_crop, begin = random_crop(a, size = size, seed = 0)print ("offset: {}".format(begin.eval()))print ("a_crop: {}".format(a_crop.eval()))a_slice = tf.slice(a, begin=begin, size=size)print ("a_slice: {}".format(a_slice.eval()))assert (tf.reduce_all(tf.equal(a_crop, a_slice)).eval() == True)sess.close()

输出:

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99]offset: [46]a_crop: [89 90 91 92 93 94 95 96 97 98]a_slice: [27 28 29 30 31 32 33 34 35 36]

有两个tf.slice选项:

(1)。在函数random_crop中调用，如tf.slice(value, begin=begin, size=size, name=name)

(2)。称为 a_slice = tf.slice(a, begin=begin, size=size)

这两个 values 的参数( begin 、 size 和 slice )操作是一样的。

但是，为什么打印值 a_crop和a_slice不同并且 tf.reduce_all(tf.equal(a_crop, a_slice)).eval()是真的吗？

谢谢

编辑1谢谢@xdurch0，我现在明白第一个问题了。 tensorflow random_uniform看起来像一个随机生成器。

import tensorflow as tfimport numpy as npsess = tf.InteractiveSession()size = [10]np_begin = np.random.randint(0, 50, size=1)tf_begin = tf.random_uniform(shape = [1], minval=0, maxval=50, dtype=tf.int32, seed = 0)a = tf.constant(np.arange(0, 100, 1))a_slice = tf.slice(a, np_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))a_slice = tf.slice(a, np_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))a_slice = tf.slice(a, tf_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))a_slice = tf.slice(a, tf_begin, size = size)print ("a_slice: {}".format(a_slice.eval()))sess.close()

输出

a_slice: [42 43 44 45 46 47 48 49 50 51]a_slice: [42 43 44 45 46 47 48 49 50 51]a_slice: [41 42 43 44 45 46 47 48 49 50]a_slice: [29 30 31 32 33 34 35 36 37 38]

Answer 1

这里令人困惑的是，tf.random_uniform(就像 TensorFlow 中的每个随机操作一样)在每次评估调用(每次调用 .eval() 或者，一般来说，每次调用 tf.Session.run)。因此，如果您评估 a_crop ，您会得到一件事，如果您评估 a_slice ，您会得到另一件事，但如果您评估 tf.reduce_all(tf.equal( a_crop, a_slice)) 得到 True，因为所有内容都是在单个评估步骤中计算的，因此仅生成一个随机值，并且它确定 a_crop< 的值 和 a_slice。另一个例子是这样的，如果你运行 tf.stack([a_crop, a_slice]).eval() ，你将得到一个具有相等行数的张量；同样，只产生了一个随机值。更一般地说，如果您使用多个张量调用 tf.Session.run 进行评估，则该调用中的所有计算都将使用相同的随机值。

顺便说一句，如果您确实需要在计算中保留一个随机值以供以后计算，最简单的方法就是使用 tf.Session.run 检索 if以及任何其他所需的计算，稍后通过 feed_dict 反馈；或者您可以有一个 tf.Variable 并在其中存储随机值。更高级的可能性是使用 partial_run ，一个实验性 API，允许您评估计算图的一部分并在稍后继续评估它，同时保持相同的状态(即相同的随机值等)。