python - Tensorflow split 或 unstack 以处理交错值

Question

假设我有一个形状为 [20,] 的 Tensorflow 张量 l，这些 10 个坐标打包为 [x1,y1,x2,y2,...] 。我需要访问 [x1,x2,...] 和 [y1,y2,...] 来修改它们的值(例如 、旋转、缩放、平移)，然后重新打包为 [x1',y1',x1',y2',...]。

我可以reshape ，tf.reshape(l, (10, 2))，但随后我不确定是否使用 split或unstack以及论点应该是什么。什么时候应该使用 split 而不是 unstack？那么修改后的值应该如何重新打包以使其保持原始格式？

Answer 1

这是一种可以通过 tensorflow 的急切执行模式轻松验证的东西:

import numpy as np
import tensorflow as tf

tf.enable_eager_execution()

l = np.arange(20)
y = tf.reshape(l, [10, 2])
a = tf.split(y, num_or_size_splits=2, axis=1)
b = tf.unstack(y, axis=1)

print('reshaped:', y, sep='\n', end='\n\n')

for operation, c in zip(('split', 'unstack'), (a, b)):
    print('%s:' % operation, c, sep='\n', end='\n\n')

reshaped:
tf.Tensor(
[[ 0  1]
 [ 2  3]
 ...
 [16 17]
 [18 19]], shape=(10, 2), dtype=int64)

split:
[<tf.Tensor: id=5, shape=(10, 1), dtype=int64, numpy=
array([[ 0],
       [ 2],
       ...
       [16],
       [18]])>,
 <tf.Tensor: id=6, shape=(10, 1), dtype=int64, numpy=
array([[ 1],
       [ 3],
       ...
       [17],
       [19]])>]

unstack:
[<tf.Tensor: id=7, shape=(10,), dtype=int64, numpy=array([ 0,  2, ... 16, 18])>,
 <tf.Tensor: id=8, shape=(10,), dtype=int64, numpy=array([ 1,  3, ... 17, 19])>]

因此，使用这些参数，它们几乎是相同的；除了:

• tf.split 始终会将张量沿着 axis 分割为 num_or_size_splits 个分割，这可能与数字不同维度为 shape[axis]，因此需要保留原始等级，输出形状为 [10, n/num_or_size_splits] = [10, 2/2] = [10, 1] 的张量.

  可以通过连接a中的所有拆分部分来执行重新打包:

  c=tf.concat(a, axis=1)
  print(c)
  array([[ 0,  1],
         [ 2,  3],
         ...
         [16, 17],
         [18, 19]])>
  

• tf.unstack 会将张量沿 axis 拆分为精确的维度数 shape[axis]，并且可以因此，明确地将等级降低 1，从而得到形状为 [10] 的张量。

  可以通过将所有拆分部分堆叠在b中来执行重新打包:

  c=tf.stack(b, axis=1)
  print(c)
  array([[ 0,  1],
         [ 2,  3],
         ...
         [16, 17],
         [18, 19]])>