文章/答案/技术大牛

发布

社区首页 >问答首页 >使用tf.scatter_nd使Keras 'None‘批处理大小保持不变

问使用tf.scatter_nd使Keras 'None‘批处理大小保持不变
EN

Stack Overflow用户

提问于 2020-10-04 01:28:54

回答 1查看 157关注 0票数 2

我需要向LSTM解码器输入一个池模块，我正在使用一个自定义层来构造它，其中编码器LSTM状态和Keras输入层作为输入。在这个自定义层中，我需要将更新分散到索引中：

updates: <tf.Tensor --- shape=(None, 225, 5, 32) dtype=float32>
indices: <tf.Tensor --- shape=(None, 225) dtype=int32>

使用tf.scatter_nd创建shape=张量(None，960，5，32)，如下所示：

tf.scatter_nd(tf.expand_dims(indices, 2), updates, shape=[None, 960, 5, 32])

但问题是，这样做会产生错误，这是由于NoneType的形状，我不想在其中声明batch_size，因为它是一个Keras层，只有在学习过程中才是确定的。在这种情况下，代码的工作版本如下：

tf.scatter_nd(tf.expand_dims(indices, 2), updates, shape=[960, 5, 32])
        >>> <tf.Tensor 'ScatterNd_4:0' shape=(960, 5, 32) dtype=float32>

它忽略了输出中的batch_size。是否有任何替代方法来构造所需的输出张量而不是tf.scatter_nd，或者使其正常工作？

发布于 2022-11-22 00:20:43

我在tf.scatter_nd手术方面也有类似的问题。我通过使用tf.shape(input)[0]在运行时推断批大小来解决这个问题。因此，在您的示例中，以下代码应该可以工作：

bs = tf.shape(indices)[0]
tf.scatter_nd(tf.expand_dims(indices, 2), updates, shape=[bs, 960, 5, 32])

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/64193001

复制

相似问题

问使用tf.scatter_nd使Keras 'None‘批处理大小保持不变EN