当使用参差张量和while循环时，XLA不能推导出跨度切片的编译时间常数输出形状
当使用参差张量和while循环时，XLA（Accelerated Linear Algebra）无法在编译时推导出跨度切片的输出形状的编译时间常数。
参差张量（Jagged Tensor）是一种具有不规则形状的张量，其中不同维度的长度可以不同。而跨度切片（Strided Slice）是一种对张量进行切片操作的方法，可以按照指定的步长和跨度来选择张量中的元素。
XLA是一种用于优化和编译机器学习模型的领域特定编译器。它可以将机器学习模型的计算图优化为高效的本地机器代码，以提高模型的执行速度和效率。
然而，当使用参差张量和while循环时，XLA无法在编译时推导出跨度切片的输出形状的编译时间常数。这是因为参差张量的形状不规则，而while循环的迭代次数在编译时无法确定。因此，XLA无法在编译时确定跨度切片的输出形状，从而无法进行相应的优化。
在这种情况下，可以考虑使用其他方法来处理参差张量和while循环，以避免XLA无法推导出输出形状的问题。例如，可以尝试使用其他编译器或框架来处理这种情况，或者重新设计模型以避免使用参差张量和while循环。
腾讯云提供了丰富的云计算产品和服务，可以满足各种应用场景的需求。具体推荐的产品和产品介绍链接地址可以根据具体需求和场景来选择，例如：
- 云服务器（Elastic Cloud Server，ECS）：提供可扩展的计算能力，适用于各种应用程序和工作负载。产品介绍链接：https://cloud.tencent.com/product/ecs
- 云数据库MySQL版（TencentDB for MySQL）：提供高可用、可扩展的关系型数据库服务，适用于各种Web应用和企业级应用。产品介绍链接：https://cloud.tencent.com/product/cdb_mysql
- 人工智能平台（AI Platform）：提供丰富的人工智能服务和工具，包括图像识别、语音识别、自然语言处理等。产品介绍链接：https://cloud.tencent.com/product/ai
请注意，以上推荐的产品仅供参考，具体选择应根据实际需求和情况进行。
相关·内容
我已经在这里阅读了XLA预发行版文档。
它讨论了元素的数据类型，但没有深入讨论张量本身的数据组织。一旦XLA可用，SparseTensor对象上的操作将如何处理？
浏览 1提问于2016-12-23得票数 0
1回答
我需要使用TPUEstimator实现一个布尔掩码操作。未实现tf.boolean_mask。有解决办法吗？
下面的代码非常适合我在CPU和GPU上运行的目的：
all_out = model.get_sequence_output()
P = tf.boolean_mask(all_out, P_mask)
all_out是形状?的张量，128,768
P_mask是形状?，128，第二维是单热编码的，以表示要提取的期望张量。
所需的P形状为?,768
当我使用TPUEstimator在TPU上运行此命令时，我得到以下错误消息：
Compilation failure: Detect
浏览 0提问于2019-04-13得票数 2
我有一个形状为torch.Size([4, 161, 325])的张量。如何删除dim=2上的第一个元素，使得到的张量具有torch.Size([4, 161, 324])的形状
浏览 69提问于2020-04-09得票数 1
回答已采纳
我有一个形状(N，M)的张量X和指数idx_list的列表。我想修改X，但只修改idx_list给出的行。
所以我想做这样的事情：
X[idx_list, :] = Y
Y是一个形状为(len(idx_list), M)的张量
浏览 6提问于2022-10-18得票数 0
回答已采纳
我正在训练CNN生成图像。所有图像的类型都是张量。我想把它们转换成numpy数组，然后我就可以用opencv处理它们了。 我知道.numpy()方法，它将我的张量转换成numpy数组，但形状仍然是张量。我不能让它在cv2中工作。 下面是我的代码： p=model_(x)
s=p.numpy()
print(s.shape)
cv2.imwrite("hello.jpg",s) (1,183,275，3)，这是使用.numpy()生成的数组的形状，如何更改其形状以保留输出图像？
浏览 14提问于2020-09-02得票数 0
我有一个张量，需要用张量的索引进行裁剪。
ex - Input (None,5x5x10)张量BoundingBox (None，2) --张量我希望有一个执行以下输出(None,3x2x10)的操作--如果边界框0，0= 3，边界框0，1=2，则张量
这与tf.image.crop_to_bounding_box相同，但此函数不会将张量类型的边界框作为输入。请帮帮忙。
浏览 2提问于2019-06-12得票数 1
我想调整参差不齐的张量中每个元素的大小。例如，如果我有一个不同大小的图像的参差不齐的张量，我如何调整每个图像的大小，使其尺寸相同？ 例如, digits = tf.ragged.constant([np.zeros((1,60,60,1)), np.zeros((1,46,75,1))])
resize_lambda = lambda x: tf.image.resize(x, (60,60))
res = tf.ragged.map_flat_values(resize_lambda, digits) 我希望res是形状(2,60,60,1)的张量。我如何才能做到这一点？ 为了澄清，这将是
浏览 27提问于2019-12-11得票数 3
1回答
我对如何阅读和理解一行简单的代码感到有点困惑：
我有一个张量input的形状(19,4,64,64,3)。
代码行input[:, None]返回形状(19, 1, 4, 64, 64, 3)的张量。
我该如何理解这句话的行为？None似乎添加了一个尺寸为1的维度，但是为什么在特定的位置( 19到4之间)添加了这个维度呢？
浏览 0提问于2018-10-05得票数 1
回答已采纳
给定形式的张量
T = tf.placeholder(tf.float32, [None, 2])
如何将T分成形状(?，1)的两个单独的张量，每列一个？
浏览 0提问于2018-06-10得票数 3
假设我有一个张量(None, 2, 56, 56, 256)。现在我想通过去掉最后一列和最后一行来获得形状为(None, 2, 55, 55, 256)的张量。我如何使用Keras/Tensorflow来实现这一点？
浏览 164提问于2019-06-09得票数 1
回答已采纳
1回答
我有一个4张量的x。6张量y的计算方法如下： x = np.random.randn(64, 28, 28, 1)
strided_shape = 64, 26, 26, 3, 3, 1
y = numpy.lib.stride_tricks.as_strided(x, strided_shape, strides=(x.strides[0], x.strides[1], x.strides[2], x.strides[1], x.strides[2], x.strides[3])) 通常，只要第一个和最后一个维度与x的维度匹配，strided_shape就可以是任何形状(这只是一个具体的例
浏览 22提问于2020-06-18得票数 3
回答已采纳
我正在尝试用Tensorflow重写下面的Python代码。但是，我在使用tf.map_fn迭代张量时遇到了问题。
这里depth是形状[batch_size,256,256]的张量，normal是形状[batch_size,256,256,3]的张量，scale是形状[batch_size,256,256]的张量。
for b in range(0,batch_size):
depth[b,:,:] = [scale[b,0,0] + (scale[b,0,1] - scale[b,0,0])* x for x in depth[b,:,:]]
normal[b,:,:,:]
浏览 0提问于2019-08-13得票数 0
回答已采纳
假设我在tensorflow图中有一个形状为1,32,16,1的张量t1和另一个形状为1,10,12,1的张量t2。
如何将t2分配到t1中的本地块(t11，11:20，4:15，1=t2，numpy )
或者添加(t11，11:20，4:15，1+t2 in numpy )？
浏览 4提问于2017-11-25得票数 0
1回答
我有输入图像张量与形状[?, 448, 448, 3]和我的网络预测一个边界盒与形状[?, 4]。我想切片我的图像张量与边界框张量，并调整大小的结果张量为一个固定大小的图像，以进一步处理。
对于tensorflow (或者更好的，在Keras中)，这是可能的吗？我已看过有关的问题。例如，和，但是它们不适用于索引张量和原始张量都有未知第一维的情况。
任何在正确方向上的帮助都是非常感谢的！
浏览 3提问于2017-10-15得票数 1
回答已采纳
我有一个生火张量：x = torch.zeros(2, 2)，和另一个变量值的张量：item = torch.tensor([[1, 2], [3, 4]])，我只是给出这个张量。
我想添加item张量作为x张量的每个元素，这样
x = [[item, item],
[item, item]]
所以x是张量，里面有张量。我尝试将item直接赋值给x，但得到了一个错误：RuntimeError: The expanded size of the tensor must match the existing size at non-singleton dimension
浏览 4提问于2021-03-01得票数 1
回答已采纳
1回答
我想索引到任意形状的张量的最后一个轴，除了最后一个是2。
设x是形状的(1,2,2)。对最后一个轴的索引
x_0 = x[:, :, 0] # x_0, x_1 shapes are (1,2)
x_1 = x[:, :, 1]
例如，x是形状的(1,2,3,4,2)。对最后一个轴的索引
x_0 = x[:, :, :, :, 0] # x_0, x_1 shapes are (1,2,3,4)
x_1 = x[:, :, :, :, 1]
我找不到任何tensorflow函数或用于分割任意形状的用法。
我需要一个通用的索引方法，这样我就可以访问任意形状张量的最后一个轴。
浏览 3提问于2021-07-27得票数 0
回答已采纳
我正在尝试找到一种不使用for循环的方法。 假设我有一个多维张量t0 bs = 4
seq = 10
v = 16
t0 = torch.rand((bs, seq, v)) 它的形状是：torch.Size([4, 10, 16]) 我有另一个张量labels，它是seq维度中的一批5个随机索引： labels = torch.randint(0, seq, size=[bs, sample]) 这是shape torch.Size([4, 5])。用于对t0的seq维度进行索引。 我想做的是循环批量维度，使用labels张量进行聚集。我的暴力解决方案是这样的： t1 = torch.em
浏览 41提问于2021-01-26得票数 0
我希望下面的块返回形状为(128,64)或(1,128,64)的张量，因为我告诉它从第一个轴和我收集值。
tf.gather(h_states # shape: (3,128,64)
,indices # shape: (128), values are integers between 0 and 2
,axis = 0
,batch_dims=0)
相反，它是返回一个(128,128,64)张量。我做错了什么？我怎么能让它从第一个轴上选择次张量呢？
谢谢
浏览 1提问于2021-06-02得票数 0
回答已采纳
使用以下表示图像的三维张量
img.shape=[H,W,F]
和一个表示img指数的张量。
indices.shape=[N,2]
例如，如果
indices = [[0,1],[5,3],...]] i想创建一个新的形状new.shape=[N,F]张量，其中
目前为了解决这个问题，我把两个张量都压平了：
idx_flattened = idx_flattened [:,0] * (idx_flattened [:,1].max()+1) + idx_flattened[:,1]
img = img .reshape(-1,F)
new = img[idx_flat
浏览 2提问于2020-08-22得票数 2
回答已采纳
有没有可能让下面的最小示例与experimental_compile=True一起工作？我已经看到这个论点有一些很大的加速，因此我很想弄清楚如何让它工作。谢谢! import tensorflow as tf
print(tf.__version__)
# ===> 2.2.0-dev20200409
x = tf.reshape(tf.range(25, dtype=tf.float32), [5, 5])
row_lengths = tf.constant([2, 1, 2])
ragged_tensor = tf.RaggedTensor.from_row_lengths(x
浏览 19提问于2020-04-13得票数 5
回答已采纳
1回答
我有张量a = torch.arange(6).reshape(2,3)和另一个张量b=(torch.rand(a.size())> 0.5).int().nonzero()。
我想要创建一个新的张量，它只包含由a表示的b索引的值。
例如：
a = torch.arange(6).reshape(2,3) # tensor([[0, 1, 2],
# [3, 4, 5]])
b = (torch.rand(a.size())> 0.5).int().nonzero() # tensor([[0, 1]
浏览 4提问于2022-05-07得票数 1
2回答
X是形状为32,32,3的张量
Y是形状为1,320,320,3的张量
我们可以将Y，Y0，:32，:32，：=x更新为tensorflow操作吗？
浏览 0提问于2017-11-29得票数 1
在TPU上运行不同序列长度的HuggingFace变压器会导致每次都生成新的计算图吗？从而导致每次都要重新编译XLA？
另外，在训练时，这是否意味着所有批次都应该填充到整个数据集中的整体最大长度？如果我使用，它会自动为我做吗？
或者PyTorch/XLA的ParallelLoader可以做到这一点？
浏览 7提问于2020-05-18得票数 0
我正在寻找一个类似于tf.unsorted_segment_sum的函数，但是我不想把这些段和起来，我想得到每个段作为张量。
例如，我有这样的代码：(在实际中，我有一个形状为(10000，63)的张量，分段数为2500)。
to_be_sliced = tf.constant([[0.1, 0.2, 0.3, 0.4, 0.5],
[0.3, 0.2, 0.2, 0.6, 0.3],
[0.9, 0.8, 0.7, 0.6, 0.5],
浏览 0提问于2019-08-08得票数 3
回答已采纳
1回答
我有一个数据集存储在一个3D张量中。为了分析目的，我希望每个样本都有一个张量。不幸的是，我只知道访问这样一个容器的蛮力方法：
auto tensor_dataset_map = dataset.tensor<float,3>();
for(int sample = 0; sample < maxSamples; sample++)
for(int time = 0; time < periodSize; time++)
for(int feature = 0; feature < amountOfFeatures; feature++)
浏览 0提问于2018-01-31得票数 1
回答已采纳
1回答
我想在tf.scan循环中做一些计算。我的问题是，似乎tf.slice的形状在tf.scan循环中是未知的，或者与tf.scan循环之外的形状相比是未知的。我发明的MWE看起来是这样的：
def compute(x, _):
i = x[0]
a = x[1]
print(tf.slice(a, [0], [i]).shape) # First line
return (i + 1, a)
a = tf.constant([1, 2, 3, 4, 5])
with tf.Session() as sess:
print(tf.slice(a, [0],
浏览 0提问于2018-10-28得票数 0
回答已采纳
2回答
我在角角有三个张量：
张量形状a：(?,4)
张量形状b：(?,4)
张量形状c：(?, 2, 4)
其中?是批处理大小。我想计算宇宙间的相似性：
a和b
a和c的每一行(本例中为2行)
要计算a和b之间的cos，可以直接执行以下操作：
from keras.layers import Reshape, merge
cos_a_b = Reshape((1,))(merge([a, b], mode='cos', dot_axes=1))
输出的格式为(?,1)，如预期的那样。
但是，我无法找到a和c之间的cos相似性(输出应该是(?, 2)
浏览 3提问于2017-09-20得票数 0
回答已采纳
正如我们所知，我们可以通过填充模式计算conv2d的输出tensor的形状，是清晰的，但我对conv2d_transpose非常困惑，它是否填充了输入张量，然后调用conv2d？它在哪里转置滤波器或输入？如何根据填充模式计算输出张量的形状，对于conv2d_transpose是SAME还是VALID
浏览 2提问于2018-01-28得票数 4
我有两个张量：scores和lists
scores的形状是(x, 8)和lists of (x, 8, 4)。我希望为scores 中的每一行筛选最大值，并从 lists中筛选各自的元素。
以下面的例子为例(为了简单起见，形状维度8简化为2 )：
scores = torch.tensor([[0.5, 0.4], [0.3, 0.8], ...])
lists = torch.tensor([[[0.2, 0.3, 0.1, 0.5],
[0.4, 0.7, 0.8, 0.2]],
[[0.1, 0
浏览 3提问于2022-01-18得票数 3
回答已采纳
我想要用BoolTensor指数来分割Pytorch中的多维张量。对于索引张量，我期望保留指数为真的部分，而指数为假的部分被切片。
我的代码就像
import torch
a = torch.zeros((5, 50, 5, 50))
tr_indices = torch.zeros((50), dtype=torch.bool)
tr_indices[1:50:2] = 1
val_indices = ~tr_indices
print(a[:, tr_indices].shape)
print(a[:, tr_indices, :, val_indices].shape)
我希望a[:
浏览 2提问于2021-05-26得票数 1
回答已采纳
我试图用指数张量来分割张量。为此，我尝试使用tf.gather。但是，我很难理解，不能像我期望的那样让它正常工作：
我有两个张量。具有[1,240,4]形状的[1,240,4]张量和形状[1,1,120]的ids张量。我想将activations张量的第二维与ids张量的第三维中提供的指数分开：
downsampled_activations = tf.gather(activations, ids, axis=1)
我给了它axis=1选项，因为它是activations张量中的轴，我想切片。
但是，这不会呈现预期的结果，只会给出以下错误：
tensorflow.python.framewo
浏览 5提问于2020-09-26得票数 4
回答已采纳
我有一个形状为(A，?，B，C)的张量T。我还有一个张量索引，我将其定义为I=tf.argmax(某种东西)。我想定义T(I，?，:，:)。当索引i不是张量对象而是整数时，操作T(I，：)效果很好。当我是tensor=tf.argmax的时候该怎么办？
浏览 0提问于2020-05-02得票数 1
2回答
对于需要形状参数的tensorflow函数，如何将动态形状作为输入参数之一提供？
例如，假设我有一个占位符
x = tf.placeholder(tf.float32, [None, 3])
现在我要创建一个一维随机张量，它的形状与x的第一维数相同。
r = tf.random_uniform([x.get_shape()[0]])
这将无法工作，因为x.get_shape()[0]将返回一个静态形状"None“。有没有一种基于r的动态形状为x分配动态形状的方法？
浏览 4提问于2016-03-30得票数 1
回答已采纳
我正在寻找一种将与Keras批处理一起使用的方法。输出形状：(?, 1000)以及索引和更新的形状都是(?, 100)。
Try1:使用Keras张量
vals = tf.scatter_add(outputs, indices, updates)
这会引发一个错误：
‘张量’对象没有属性'_lazy_read‘
Try2:尝试使用应该可更新的k.variable
vals = K.variable(outputs)
vals = tf.scatter_add(vals, inputs[1], inputs[2])
ValueError: initial_value必须具有
浏览 1提问于2018-11-25得票数 3
2回答
我想将数千到数百万个具有不同形状的张量存储到磁盘中。我们的目标是将它们用作时间序列数据集。数据集可能无法装入内存，我将不得不从磁盘加载样本或样本范围。 在保持较低的存储和访问时间的同时实现这一目标的最佳方法是什么？
浏览 66提问于2020-07-16得票数 8
我需要使用3D张量最后一维的索引来索引4D张量的最后一维。例如，给定以下张量：
X = array([[[[ 0.14127222, 0.37404611, 0.09612721, 0.19907043, 0.84104371,
0.33678107, 0.03965124, 0.16844736, 0.61240914, 0.02107638],
[ 0.46010377, 0.4302605 , 0.95917015, 0.05052149, 0.96033522,
0.6383985 , 0.24895258, 0.787
浏览 1提问于2016-12-20得票数 3
1回答
我必须增加两个张量，一个在深度方向上有一个形状倍数的另一个。这里有一个例子
t1 = tf.constant(3, shape=[2, 2, 2], dtype=tf.float32)
t2 = tf.constant(1, shape=[2, 2, 1], dtype=tf.float32)
我想使用像tf.add这样的方法，在第一个张量中添加第二个张量，但只在形状的第三个分量的第一层中添加。用数字
t1 = [[[3, 3], [3, 3]],
[[3, 3], [3, 3]]]
t2 = [[[1, 1], [1, 1]]]
output = [[[4, 4], [4, 4
浏览 0提问于2018-10-16得票数 1
回答已采纳
我有一个插图文件，我需要得到不同形状的坐标。其目的是能够单击图像的不同部分以链接到不同的URL。
请建议如何实现这一点
谢谢
浏览 0提问于2011-03-17得票数 1
2回答
所以我想在tensorflow中返回一个对象列表，当我尝试时，该列表对象是使用大小为n，k，d的张量X构造的： listofobject = [Myobject(x) for x in X] 它返回： OperatorNotAllowedInGraphError: iterating over `tf.Tensor` is not allowed: AutoGraph did convert this function. This might indicate you are trying to use an unsupported feature. 我也试过了： listofobject
浏览 89提问于2021-10-06得票数 0
我有一个张量X，它的形状是(None，56,300，1)，还有一个张量y，它的形状是(None，15)，这些张量的第一个维数是batch_size，我想用y作为指数得到张量z，z的形状是(None，15,300，1)。有什么像样的方法吗？
我编写了一个简单的代码来测试，因为我发现这对我来说很困难，因为在实践中我不知道batch_size(这些张量的第一维不是)，
这是我的测试代码：
import numpy as np
import tensorflow as tf
# In this test code , batch_size is 4.
# params' shape is (
浏览 2提问于2017-07-29得票数 0
回答已采纳
因此，我将一些分辨率为1024x1024的图像加载到张量列表中，然后使用函数set_shape将列表中每个张量的形状更改为128,128,3：
但是，当我调用eval()并检查来自张量的图像的形状时，它显示形状是1024,1024,3。
那么为什么set_shape没有抛出一个错误呢？
浏览 4提问于2020-12-04得票数 0
假设我们有一个形状为(64,100,5,32)的张量x，它对应于(batchSize，长度，高度，通道)。现在，我想为第32通道的每个二维矩阵(100,5)应用一个2D conv层。因此，我需要提取32片，并使用相同的2D conv层(参数)处理它们。我不知道如何从lambda和map_fn开始(请不要使用时间分布层)。最后，我想要一个张量(64,100,5,32)。
感谢一个简短的代码，如何做到这一点。
浏览 3提问于2021-02-22得票数 0
我试图在Keras中创建一个自定义层，每次从k张量中选择inputs随机样本。
就像这样：
import random
class RandomKAggregator(tf.keras.layers.Layer):
def __init__(self, **kwargs):
super(RandomKAggregator, self).__init__(**kwargs)
self.k = 3
def call(self, inputs):
return inputs[[random.randint(0, len(inputs
浏览 4提问于2022-06-15得票数 1
回答已采纳
我想在Keras中实现我的自定义度量。根据文档，我的自定义度量应该定义为一个函数，该函数接受两个张量( y_pred和y_true )作为输入，并返回单个张量值。
但是，当优化运行时，我想不清楚这些张量y_pred和y_true到底包含了什么。只是一个数据点吗？是整批吗？整个时代(可能不是)？有没有办法获得这些张量的形状？
有人能指出一个值得信赖的地方我可以得到这些信息吗？任何帮助都将不胜感激。不确定是否相关，但我使用的是TensorFlow后端。
到目前为止，为了回答这个问题，我做了一些尝试：
检查 (没有解释这些张量是什么)。
检查并试图通过查看Keras实现来理解这些张量(这似
浏览 4提问于2017-10-10得票数 40
回答已采纳
指出：
tf.placeholder() op允许您定义必须填充的张量，也可以允许您约束它们的形状。
限制占位符的形状有什么意义？这仅仅是为了代码清晰，还是它有其他优点，比如减少运行时间？
浏览 4提问于2017-02-17得票数 1
回答已采纳
1回答
我有一个包含粗糙张量的数据集，如下所示： non_ragged_dataset = tf.data.Dataset.from_tensor_slices([1, 5, 3, 2, 8])
non_ragged_dataset = non_ragged_dataset.map(tf.range)
batched_non_ragged_dataset = non_ragged_dataset.apply(
tf.data.experimental.dense_to_ragged_batch(2))
for element in batched_non_ragged_dataset:
浏览 21提问于2020-06-12得票数 1
回答已采纳
1回答
我似乎想不出如何在Keras中正确地“切片”数组/张量。我正在写我自己的损失函数，我想加入一个季节性的影响。这里的简单想法是将值与一段时间前的值进行比较。在numpy中，我会写这样的东西(每天一段时间)：
np.mean(np.abs(y_true[24:] - y_true[-24:]))
但是，如果我想在Keras环境中这样做的话：
K.mean(K.abs(y_true[24:] - y_true[-24:]), axis=-1)
我总是得到一个形状错配
InvalidArgumentError:不兼容形状
我现在的问题是：
在y_true和y_pred不再是np.arrays，
浏览 0提问于2019-07-22得票数 1
1回答
具有一个固定维数和一个变长维数的二维张量:如何将变长维数限制为最大长度？如果可变长度较短，则应保留最大长度(而不是填充)，但如果长度较长，则只需剪掉末端。
例如，假设所有张量都具有(None, 4)形状，我希望将它们限制为(3, 4)的最大形状。一个例子可以是：
tensor1 = tf.constant([
[1, 2, 0, 0],
[1, 3, 4, 0],
[0, 0, 0, 0],
[7, 7, 7, 7],
[7, 8, 9, 1],
], dtype=tf.int32)
.，它应该被修剪成：
tensor1_trimmed = tf.con
浏览 1提问于2020-02-22得票数 0
回答已采纳
给定一个张量，其形状仅在计算时已知，假设存在一个先验条件，假设最后一个维度严格是n的倍数，如何将形状张量转换为例如(n1, n2, m*n)到(n1, n2, m, n)。
浏览 4提问于2018-12-05得票数 1
1回答
我在Keras中定义了一个名为slice()的函数，在对张量进行切片时遇到了一些问题。
此函数的目标是将张量从(1, 512, 512, 1)切片到(1, 495, 383, 1)。
因此，我定义了如下函数：
def slice(x, n, h1, h2, w1, w2, d):
return x[n, h1:h2, w1:w2, d]
然后，我使用以下指令调用该函数：
x = Lambda(slice, arguments={'n':1, 'h1': 0, 'h2': 495, 'w1': 0, 'w2':
浏览 0提问于2021-03-29得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
