変数に基づいたTensorflowスライシング

Question

テンソルフローのインデックスがまだ開いていることがわかりました。(#206)ですので、現時点では回避策として何が使えるのか不思議です。私は、すべてのトレーニングの例で変わる変数に基づいて行列の行/列をインデックス/スライスする必要があります。プレースホルダに基づいて

1. スライス（動作しない）

を一定の数に基づいて、次の（作業）コードスライス：私がこれまで試したどのような

。

import tensorflow as tf 
import numpy as np 

x = tf.placeholder("float") 
y = tf.slice(x,[0],[1]) 

#initialize 
init = tf.initialize_all_variables() 
sess = tf.Session() 
sess.run(init) 

#run 
result = sess.run(y, feed_dict={x:[1,2,3,4,5]}) 
print(result) 

しかし、これらの固定数のうちの1つを単にtf.placeholderに置き換えることはできないようです。次のコードは私にエラーを与えます。 "TypeError：単一のTensorが期待するときのテンソルのリスト"

import tensorflow as tf 
import numpy as np 

x = tf.placeholder("float") 
i = tf.placeholder("int32") 
y = tf.slice(x,[i],[1]) 

#initialize 
init = tf.initialize_all_variables() 
sess = tf.Session() 
sess.run(init) 

#run 
result = sess.run(y, feed_dict={x:[1,2,3,4,5],i:0}) 
print(result) 

は、これはあまりにも多くのです[i]は周りの括弧のように聞こえるが、それらを除去することのいずれか助けていません。プレースホルダ/変数をインデックスとして使用する方法

Pythonの変数に基づいて

スライシング（適切に更新/バックプロパゲーションない）

Iはまた、指標として通常のPython変数を使用して試みました。これによりエラーは発生しませんが、ネットワークはトレーニング中に何も学習しません。変化する変数が適切に登録されておらず、グラフが不正であり、更新が機能しないためです。

ワンホットベクター+乗算（作品が、遅い）を介し

スライス

一つ私が見つけた問題を回避するには、ワンホットベクターを使用しています。 numpyでワンホットベクトルを作成し、プレースホルダを使用してこれを渡し、次に行列乗算によってスライスします。これは動作しますが、かなり遅いです。

変数に基づいて効率的にスライス/インデックスする方法はありますか？

Answer 1

プレースホルダに基づくスライシングはうまくいくはずです。形状やタイプの微妙な問題のために、タイプエラーに遭遇しているようです。あなたは以下のいるところ：

x = tf.placeholder("float") 
i = tf.placeholder("int32") 
y = tf.slice(x,i,[1]) 

を...そしてあなたがsess.run()への呼び出しに[0]ようi養う必要があります。

x = tf.placeholder("float") 
i = tf.placeholder("int32") 
y = tf.slice(x,[i],[1]) 

...あなたの代わりに持っている必要があります。また

import tensorflow as tf 
import numpy as np 

x = tf.placeholder(tf.float32, shape=[None]) # 1-D tensor 
i = tf.placeholder(tf.int32, shape=[1]) 
y = tf.slice(x, i, [1]) 

#initialize 
init = tf.initialize_all_variables() 
sess = tf.Session() 
sess.run(init) 

#run 
result = sess.run(y, feed_dict={x: [1, 2, 3, 4, 5], i: [0]}) 
print(result) 

追加shape引数をtf.placeholder OPのヘルプを使用すると、フィードの値が適切な形状を有していることを保証するために、そして：

は、私は次のようにコードを書き換えることをお勧めします、この小さな明確にするために、シェイプが正しくない場合、TensorFlowはエラーを発生させます。