尺寸不匹配时如何在张量流中压缩张量

Question

我有两个张量，其中一个形状为[None，20，2]，而另一个形状为[None，1]。 我想对每个子张量进行锁步运算以产生一个值，使得最终得到形状为[None，1]的张量。

在python领域中，我将这两个压缩，然后遍历结果。

因此，为了清楚起见，我想编写一个函数，该函数采用[20，2]形状的张量和[1]形状的张量，并产生[1]形状的张量，然后将此函数应用于[None，20，2]和[None，1]张量，以产生[None，1]张量。

希望我能说得足够清楚。 更高的尺寸有时会使我的头旋转。

Answer 1

这对我有用（TensorFlow版本1.4.0）

tf.reset_default_graph()
sess = tf.Session()

# Define placeholders with undefined first dimension.
a = tf.placeholder(dtype=tf.float32, shape=[None, 3, 4])
b = tf.placeholder(dtype=tf.float32, shape=[None, 1])

# Create some input data.
a_input = np.arange(24).reshape(2, 3, 4)
b_input = np.arange(2).reshape(2, 1)

# TensorFlow map function.
def f_tf(x):
    return tf.reduce_sum(x[0]) + tf.reduce_sum(x[1])
# Numpy map function (for validation of results).
def f_numpy(x):
    return np.sum(x[0]) + np.sum(x[1])

# Run TensorFlow function.
s = tf.map_fn(f, [a, b], dtype=tf.float32)
sess.run(s, feed_dict={a: a_input, b: b_input})

array（[66.，211.]，dtype = float32）

# Run Numpy function. 
for inp in zip(a_input, b_input):
    print(f_numpy(inp))

66211