张量流中的条件图和访问张量大小的循环

首先是广泛的问题：

是否有可能建立一个张量流条件图？

如果是的话，自动渐变计算和实现的优化器是否可以使用它？

我可以访问张量的形状并将其变成一个整数，以便在“if”条件和“for in in range（）”循环中使用它吗？

我的实际使用情况是我想要做一个具有可变张量长度的一维卷积。 为此，我首先需要一个if语句，它只在长度大于1时执行卷积。 然后我有一个for循环，它经历了卷积的张量。 问题是这个代码：

for i in range(tf.shape(tensor)[0]): 

不起作用，因为范围运算符需要一个整数。 我可以把它变成一个整数吗？

最后，我想用adagrad来训练这个模型，无论是自动分化还是已经实现的优化器

---

编辑：

这是一维卷积，它将在我的模型中成为两层中的第一层。 类型错误位于触发一个for循环的每个版本的后面

import tensorflow as tf 
import numpy as np 

def convolve(s, Tl, Tr, b):

    if (tf.shape(s)[0] == 1):
        return s

    sum = 0

    # for i in range(tf.shape(s)[0] - 1): # error: TypeError: range() integer end argument expected, got Tensor
    # for i in range(s._shape._dims[0]._value - 1): # error: TypeError: unsupported operand type(s) for -: 'NoneType' and 'int'
    for i in range(s.get_shape().as_list()[0] - 1): # error: TypeError: unsupported operand type(s) for -: 'NoneType' and 'int'

        sum += tf.tanh(tf.matmul(Tl,s[i]) + tf.matmul(Tr, s[i+1]) + b)

    return sum

ModelSize = 3

# tensor to be convolved
s = tf.placeholder("float", shape = [None, ModelSize])

# initialise weights
Tl = tf.Variable(tf.random_normal(shape=[ModelSize,ModelSize], stddev = 0.1 ))
Tr = tf.Variable(tf.random_normal(shape=[ModelSize,ModelSize], stddev = 0.1 ))
b = tf.Variable(tf.random_normal(shape=[ModelSize], stddev = 0.1 ))

#convolution
s_convolved = convolve(s, Tl, Tr, b)

# initialise variables.
init = tf.initialize_all_variables()

# run graph
sess = tf.Session()
sess.run(init)

# test data
s_dataLong = np.random.random((2,5,ModelSize))
s_dataShort = np.random.random((2,1,ModelSize))

for s_dataPart in s_dataLong:
    print sess.run(s_convolved, feed_dict = {s : s_dataPart})

for s_dataPart in s_dataShort:
    print sess.run(s_convolved, feed_dict = {s : s_dataPart})

---

我建议你以不同的方式编写每个问题。 否则它将被关闭得太宽泛。

我只能回答你的第三个问题。 如何以编程方式获得张量的形状。 您正确使用形状来获得张量的形状，但在运行图之前仍然无法获得结果（请参阅此处的解释）。

a = tf.truncated_normal([2, 3], mean=0.0, stddev=0.02, dtype=tf.float32, seed=1)
b = tf.shape(a)
sess = tf.Session()
print sess.run(b) # will give you [2 3]

我发现从常量中获得形状而不运行图形的丑陋方式是做类似的事情（不知道为什么你需要它）：

print a._shape._dims[0]._value
print a._shape._dims[1]._value

要从变量中获取形状，可以这样做：

weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35))
print weights.get_shape().as_list()

在评估之前访问张量形状的另一种方法是：tf.Tensor.get_shape（）

链接地址: http://www.djcxy.com/p/30307.html

上一篇: conditional graph in tensorflow and for loop that accesses tensor size

下一篇: How to use yesod per