带有 Conv2d 的批量维度中的 Tensorflow 开关案例

Question

假设我有一个形状为 [n, h, w, c] 的批次以及范围为 0-9 和 10 Conv2D convs的 n 个索引列表，我想根据列表中的索引将其应用于数据. 索引列表随着每个批次的变化而变化。

例如。 输入 x，批量大小 4 和索引 l=[1,5,1,9] 我想计算[convs[l[0]](x[0]), convs[l[1]](x[1]), convs[l[2]](x[2]), convs[l[3]](x[3])]

一个天真的解决方案是计算每个组合并基于l收集。 但是，这需要 10 倍的内存量。 这个问题有更好的解决方案吗？

Answer 1

一种“hacky”解决方案是将输入的维度从[n, h, w, c]扩展到[1, n, h, w, c] ，然后使用Conv3D代替内核形状[1, x, y]

如果您单独定义了权重（也可以使用layer.weights获得权重），您可以类似地将它们堆叠在第 0 维中，并通过tf.nn.conv3d使用它们。