Python tf.compat.v1.gather用法及代码示例

根据索引从参数轴axis 收集切片。 (不推荐使用的参数)

用法

tf.compat.v1.gather(
    params, indices, validate_indices=None, name=None, axis=None, batch_dims=0
)

警告：不推荐使用某些参数：(validate_indices)。它们将在未来的版本中被删除。更新说明：validate_indices 参数无效。索引总是在 CPU 上验证，从不在 GPU 上验证。

根据 indices 从 params 轴 axis 收集切片。 indices 必须是任何维度的整数张量(通常是一维)。

Tensor.getitem 适用于标量、tf.newaxis 和 python 切片

tf.gather 扩展索引以处理索引张量。

在最简单的情况下，它与标量索引相同：

params = tf.constant(['p0', 'p1', 'p2', 'p3', 'p4', 'p5'])
params[3].numpy()
b'p3'
tf.gather(params, 3).numpy()
b'p3'

最常见的情况是传递索引的单轴张量(这不能表示为 python 切片，因为索引不是连续的)：

indices = [2, 0, 2, 5]
tf.gather(params, indices).numpy()
array([b'p2', b'p0', b'p2', b'p5'], dtype=object)

索引可以具有任何形状。当params 有 1 个轴时，输出形状等于输入形状：

tf.gather(params, [[2, 0], [2, 5]]).numpy()
array([[b'p2', b'p0'],
       [b'p2', b'p5']], dtype=object)

params 也可以具有任何形状。 gather 可以根据 axis 参数(默认为 0)跨任何轴选择切片。下面它用于从矩阵中收集第一行，然后是列：

params = tf.constant([[0, 1.0, 2.0],
                      [10.0, 11.0, 12.0],
                      [20.0, 21.0, 22.0],
                      [30.0, 31.0, 32.0]])
tf.gather(params, indices=[3,1]).numpy()
array([[30., 31., 32.],
       [10., 11., 12.]], dtype=float32)
tf.gather(params, indices=[2,1], axis=1).numpy()
array([[ 2.,  1.],
       [12., 11.],
       [22., 21.],
       [32., 31.]], dtype=float32)

更一般地说：输出形状与输入形状相同，indexed-axis 被索引的形状替换。

def result_shape(p_shape, i_shape, axis=0):
  return p_shape[:axis] + i_shape + p_shape[axis+1:]

result_shape([1, 2, 3], [], axis=1)
[1, 3]
result_shape([1, 2, 3], [7], axis=1)
[1, 7, 3]
result_shape([1, 2, 3], [7, 5], axis=1)
[1, 7, 5, 3]

这里有些例子：

params.shape.as_list()
[4, 3]
indices = tf.constant([[0, 2]])
tf.gather(params, indices=indices, axis=0).shape.as_list()
[1, 2, 3]
tf.gather(params, indices=indices, axis=1).shape.as_list()
[4, 1, 2]

params = tf.random.normal(shape=(5, 6, 7, 8))
indices = tf.random.uniform(shape=(10, 11), maxval=7, dtype=tf.int32)
result = tf.gather(params, indices, axis=2)
result.shape.as_list()
[5, 6, 10, 11, 8]

这是因为每个索引都从 params 中获取一个切片，并将其放置在输出中的相应位置。对于上面的例子

# For any location in indices
a, b = 0, 1
tf.reduce_all(
    # the corresponding slice of the result
    result[:,:, a, b,:] ==
    # is equal to the slice of `params` along `axis` at the index.
    params[:,:, indices[a, b],:]
).numpy()
True

批处理：

batch_dims 参数允许您从批次的每个元素中收集不同的项目。

使用 batch_dims=1 相当于在 params 和 indices 的第一个轴上有一个外循环：

params = tf.constant([
    [0, 0, 1, 0, 2],
    [3, 0, 0, 0, 4],
    [0, 5, 0, 6, 0]])
indices = tf.constant([
    [2, 4],
    [0, 4],
    [1, 3]])

tf.gather(params, indices, axis=1, batch_dims=1).numpy()
array([[1, 2],
       [3, 4],
       [5, 6]], dtype=int32)

这相当于：

def manually_batched_gather(params, indices, axis):
  batch_dims=1
  result = []
  for p,i in zip(params, indices):
    r = tf.gather(p, i, axis=axis-batch_dims)
    result.append(r)
  return tf.stack(result)
manually_batched_gather(params, indices, axis=1).numpy()
array([[1, 2],
       [3, 4],
       [5, 6]], dtype=int32)

batch_dims 的较高值相当于 params 和 indices 的外轴上的多个嵌套循环。所以整体形函数为

def batched_result_shape(p_shape, i_shape, axis=0, batch_dims=0):
  return p_shape[:axis] + i_shape[batch_dims:] + p_shape[axis+1:]

batched_result_shape(
    p_shape=params.shape.as_list(),
    i_shape=indices.shape.as_list(),
    axis=1,
    batch_dims=1)
[3, 2]

tf.gather(params, indices, axis=1, batch_dims=1).shape.as_list()
[3, 2]

如果您需要使用诸如 tf.argsort 或 tf.math.top_k 之类的操作的索引，其中索引的最后一个维度在相应位置索引到输入的最后一个维度，这自然会出现。在这种情况下，您可以使用 tf.gather(values, indices, batch_dims=-1) 。

也可以看看：

• tf.Tensor.getitem：直接张量索引操作(t[])，处理标量和python-slices tensor[..., 7, 1:-1]
• tf.scatter：类似于__setitem__(t[i] = x)的操作集合
• tf.gather_nd ：类似于tf.gather 的操作，但一次收集多个轴(它可以收集矩阵的元素而不是行或列)
• tf.boolean_mask，tf.where：二进制索引。
• tf.slice 和 tf.strided_slice ：用于对 __getitem__ 的 python-slice 处理(t[1:-1:2])的实现的较低级别访问