我正在使用 tensorflow 解决一个问题，我想对二维数据集中的所有一维数据应用相同的张量运算，然后将这些运算的结果相加。
例如，假设我有一个数据点:
x0 = [[1, 0, 1, 1],
[0, 1, 1, 0],
[1, 2, 0, 1],
[0, 2, 2, 0]]
还有一个张量运算(函数可能是一个更准确的术语)f(x)
我想做这样的事情
y = sum([f(x) for x in x0]
我在 TF 中正确表达这个有点困难。我想我得到的最接近的是下面。
x = tf.placeholder(tf.float32, [None, 10, 10])
x_sub = tf.placeholder(tf.float32, [None, 10])
W1 = weight_variable([10, 10])
b1= bias_variable([10])
l1 = tf.nn.relu(tf.matmul(x_sub, W1) + b1)
Wf = weight_variable([10, 1])
bf = bias_variable([1])
y_sub = tf.matmul(l1, Wf) + bf
y = ? # I would like to split/unstack x here, apply y_sub to each
# tensor resulting from the split (shaped [None, 10]) and then
# add the results together
y_ = tf.placeholder(tf.float32, [None, 1])
cross_entropy = tf.reduce_mean(tf.losses.mean_squared_error(y_, y))
非常感谢任何帮助!
请您参考如下方法:
如果我对你的问题的理解正确，那么你似乎想要执行批量矩阵乘法和加法(乘法，resp。加法，x 中堆叠在第一维上的元素批处理，W1 然后是 Wf，分别是 b1 然后是 bf。
这可以通过一些手动或自动广播直接完成:
x = tf.placeholder(tf.float32, [None, 10, 10])
x_shape = tf.shape(x)
W1 = weight_variable([10, 10])
b1 = bias_variable([10])
# We broadcast W1 into a tensor of shape (None, 10, 10), for performed batched matmul:
W1_exp = tf.tile(tf.expand_dims(W1, 0), (x_shape[0], 1, 1))
l = tf.nn.relu(tf.matmul(x, W1_exp) + b1)
# note: broadcasting is straightforward and covered for the addition with b1
Wf = weight_variable([10, 1])
bf = bias_variable([1])
# Similarly, we broadcast Wf beforehand:
Wf_exp = tf.tile(tf.expand_dims(Wf, 0), (x_shape[0], 1, 1))
y = tf.matmul(l, Wf_exp) + bf
# Summing over the dimension #1:
y = tf.reduce_sum(y, axis=1)
