如何有效地分配給 TensorFlow 中的張量切片

Question

我想為 TensorFlow 2.x 中的 model 之一中的輸入張量切片分配一些值（我正在使用 2.2，但准備接受 2.1 的解決方案）。 我正在嘗試做的一個非工作模板是：

import tensorflow as tf
from tensorflow.keras.models import Model

class AddToEven(Model):
    def call(self, inputs):
        outputs = inputs
        outputs[:, ::2] += inputs[:, ::2]
        return outputs

當然，在構建這個（ AddToEven().build(tf.TensorShape([None, None])) ）時，我收到以下錯誤：

TypeError: 'Tensor' object does not support item assignment

我可以通過以下方式實現這個簡單的示例：

class AddToEvenScatter(Model):
    def call(self, inputs):
        batch_size = tf.shape(inputs)[0]
        n = tf.shape(inputs)[-1]
        update_indices = tf.range(0, n, delta=2)[:, None]
        scatter_nd_perm = [1, 0]
        inputs_reshaped = tf.transpose(inputs, scatter_nd_perm)
        outputs = tf.tensor_scatter_nd_add(
            inputs_reshaped,
            indices=update_indices,
            updates=inputs_reshaped[::2],
        )
        outputs = tf.transpose(outputs, scatter_nd_perm)
        return outputs

（您可以通過以下方式進行完整性檢查：

model = AddToEvenScatter()
model.build(tf.TensorShape([None, None]))
model(tf.ones([1, 10]))

)

但是正如你所看到的，寫起來非常復雜。 這僅適用於 static 一維（+ 批量大小）張量上的更新次數（此處為 1）。

我想做的是更多的參與，我認為用tensor_scatter_nd_add編寫它將是一場噩夢。

當前許多關於該主題的 QA 都涵蓋了變量但不包括張量的情況（例如，參見this或this ）。 這里提到確實 pytorch 支持這一點，所以我很驚訝最近沒有任何 tf 成員對此主題的回應。 這個答案並沒有真正幫助我，因為我需要某種面具生成，這也會很糟糕。

因此，問題是：如何在沒有tensor_scatter_nd_add的情況下有效地進行切片分配（計算方面、內存方面和代碼方面）？ 訣竅是我希望它盡可能動態，這意味着inputs的形狀可以是可變的。

（對於任何好奇的人，我正在嘗試在 tf 中翻譯此代碼）。

這個問題最初發布在 GitHub 問題中。

Answer 1

這是另一個基於二進制掩碼的解決方案。

"""Solution based on binary mask.
- We just add this mask to inputs, instead of multiplying."""
class AddToEven(tf.keras.Model):
    def __init__(self):
        super(AddToEven, self).__init__()        

    def build(self, inputshape):
        self.built = True # Actually nothing to build with, becuase we don't have any variables or weights here.

    @tf.function
    def call(self, inputs):
        w = inputs.get_shape()[-1]

        # 1-d mask generation for w-axis (activate even indices only)        
        m_w = tf.range(w)  # [0, 1, 2,... w-1]
        m_w = ((m_w%2)==0) # [True, False, True ,...] with dtype=tf.bool

        # Apply 1-d mask to 2-d input
        m_w = tf.expand_dims(m_w, axis=0) # just extend dimension as to be (1, W)
        m_w = tf.cast(m_w, dtype=inputs.dtype) # in advance, we need to convert dtype

        # Here, we just add this (1, W) mask to (H,W) input magically.
        outputs = inputs + m_w # This add operation is allowed in both TF and numpy!
        return tf.reshape(outputs, inputs.get_shape())

在這里進行健全性檢查。

# sanity-check as model
model = AddToEven()
model.build(tf.TensorShape([None, None]))
z = model(tf.zeros([2,4]))
print(z)

結果（使用 TF 2.1）是這樣的。

tf.Tensor(
[[1. 0. 1. 0.]
 [1. 0. 1. 0.]], shape=(2, 4), dtype=float32)

-------- 下面是之前的回答--------

您需要在 build() 方法中創建 tf.Variable。 它還允許通過 shape=(None,) 進行動態大小。 在下面的代碼中，我將輸入形狀指定為 (None, None)。

class AddToEven(tf.keras.Model):
    def __init__(self):
        super(AddToEven, self).__init__()

    def build(self, inputshape):
        self.v = tf.Variable(initial_value=tf.zeros((0,0)), shape=(None, None), trainable=False, dtype=tf.float32)

    @tf.function
    def call(self, inputs):
        self.v.assign(inputs)
        self.v[:, ::2].assign(self.v[:, ::2] + 1)
        return self.v.value()

我用 TF 2.1.0 和 TF1.15 測試了這段代碼

# test
add_to_even = AddToEven()
z = add_to_even(tf.zeros((2,4)))
print(z)

結果：

tf.Tensor(
[[1. 0. 1. 0.]
 [1. 0. 1. 0.]], shape=(2, 4), dtype=float32)

PS還有一些其他的方法，比如使用tf.numpy_function()，或者生成掩碼function。

Answer 2

它似乎沒有產生任何錯誤：

import tensorflow as tf
from tensorflow.keras.models import Model

class AddToEven(Model):
    def call(self, inputs):
        outputs = inputs
        outputs = outputs[:, ::2] + 1
        return outputs

# tf.Tensor.__iadd__ does not seem to exist, but tf.Tensor.__add__ does.