1

尝试使用tf.ragged.stack. 我正在尝试堆叠两个张量 t1、t2，但是它们具有不同的等级。t2 比 t1 少 1 个等级。因此，我曾经tf.expand_dims增加 t2 的排名，以便排名匹配。但是，当我将它们堆叠起来时，会出现错误：

import tensorflow as tf
t1 = tf.ones([2,10,10], tf.int32)
t2 = tf.ragged.constant([
                         [0,1,2,3,4,5],
                         [0,1,2,3,4]
])
t2 = tf.expand_dims(t2, -1)
tf.ragged.stack([t1, t2])

我得到的错误是

InvalidArgumentError：ConcatOp：输入的尺寸应匹配：shape[0] = [20,10] 与 shape[1] = [11,1] [Op:ConcatV2] 名称：concat

但是，当我从头开始创建等效张量时，我没有收到错误。

t2_new = tf.ragged.constant([
                         [[0],[1],[2],[3],[4],[5]],
                         [[0],[1],[2],[3],[4]]

tf.ragged.stack([t1, t2_new]) # no error

t2 和 t2 new 的区别在于 tensorflow 认为它们的形状不同，即使它们实际上代表的是同一个张量

print(t2.shape) # == (2,None,1)
print(t2_new.shape) # == (2, None, None)
print(tf.math.reduce_all(t2 == t2_new)) # == True i.e actually the same tensor
4

1 回答 1

1

它实际上并不是那么微不足道，因为它tf.expand_dims添加了一个新维度，但不是一个参差不齐的维度，这是事后堆叠两个张量所必需的。一般来说，这是可能的，但比仅仅添加一个新维度要复杂一些。我建议将tf.RaggedTensor.from_value_rowids与tf.RaggedTensor.from_row_splits一起使用：

import tensorflow as tf

t1 = tf.ones([2,10,10], tf.int32)
t2 = tf.ragged.constant([[0,1,2,3,4,5],
                         [0,1,2,3,4]])

t2_new = tf.ragged.constant([
                         [[0],[1],[2],[3],[4],[5]],
                         [[0],[1],[2],[3],[4]]])

flattened_ragged_tensor = t2.flat_values
rows = tf.cast(t2.bounding_shape()[0], dtype=tf.int32)
t2 = tf.RaggedTensor.from_value_rowids(
    values=tf.RaggedTensor.from_row_splits(
        values=flattened_ragged_tensor,
        row_splits=tf.range(tf.shape(flattened_ragged_tensor)[0] + 1)),
    value_rowids=tf.concat([tf.tile([i], [t2[i].shape[0]]) for i in tf.range(rows)], axis=0),
    nrows=rows)

print(t2.shape)
print(t2_new.shape)

print(tf.ragged.stack([t1, t2]))
print(tf.ragged.stack([t1, t2_new]))

(2, None, None)
(2, None, None)
<tf.RaggedTensor [[[[1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]], [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]], [[[0], [1], [2], [3], [4], [5]], [[0], [1], [2], [3], [4]]]]>
<tf.RaggedTensor [[[[1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]], [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1, 1, 1, 1]]], [[[0], [1], [2], [3], [4], [5]], [[0], [1], [2], [3], [4]]]]>
于 2022-01-10T10:46:42.210 回答