将张量转换为 numpy 没有急切模式

Question

我将自定义层定义为我的网络的最后一个。 在这里，我需要将输入的张量转换为 numpy 数组，以在其上定义 function。 特别是，我想像这样定义我的最后一层：

import tensorflow as tf
def hat(x):
  A = tf.constant([[0.,-x[2],x[1]],[x[2],0.,-x[0]],[-x[1],x[0],0.]])
  return A

class FinalLayer(layers.Layer):
  def __init__(self, units):
    super(FinalLayer, self).__init__()
    self.units = units
  

  def call(self, inputs):
    p = tf.constant([1.,2.,3.])
    q = inputs.numpy()
    p = tf.matmul(hat(q),p)
    return p

权重对我的问题无关紧要，因为我知道如何管理它们。 问题是该层在 Eager 模式下完美运行，但是使用此选项训练阶段会变慢。 我的问题是：在没有急切模式的情况下，我可以做些什么来实现这一层？ 那么，或者，我可以访问张量的单个分量 x[i] 而不将其转换为 numpy 数组吗？

Answer 1

您可以稍微不同地重写您的hat function，因此它接受张量而不是numpy数组。 例如：

def hat(x):
  zero = tf.zeros(())
  A = tf.concat([zero,-x[2],x[1],x[2],zero,-x[0],-x[1],x[0],zero], axis=0)
  return tf.reshape(A,(3,3))

将导致

>>> p = tf.constant([1.,2.,3.])
>>> hat(p)
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 0., -3.,  2.],
       [ 3.,  0., -1.],
       [-2.,  1.,  0.]], dtype=float32)>