Python tf.scan用法及代码示例

扫描从维度 0 的 elems 解压缩的张量列表。(不推荐使用的参数值)

用法

tf.scan(
    fn, elems, initializer=None, parallel_iterations=10, back_prop=True,
    swap_memory=False, infer_shape=True, reverse=False, name=None
)

警告：不推荐使用某些参数值：(back_prop=False)。它们将在未来的版本中被删除。更新说明：back_prop=False 已弃用。考虑改用 tf.stop_gradient。代替：results = tf.scan(fn, elems, back_prop=False) 使用：results = tf.nest.map_structure(tf.stop_gradient, tf.scan(fn, elems))

scan 的最简单版本重复地将可调用的fn 应用于从第一个到最后一个元素的序列。元素由从维度 0 的 elems 解压缩的张量组成。可调用的 fn 将两个张量作为参数。第一个参数是从前面的 fn 调用计算的累加值，第二个参数是 elems 的当前位置的值。如果initializer 为None，则elems 必须至少包含一个元素，并且它的第一个元素用作初始值设定项。

假设 elems 被解压缩到 values 中，这是一个张量列表。结果张量的形状是 [len(values)] + fn(initializer, values[0]).shape 。如果 reverse=True，则为 fn(initializer, values[-1]).shape。

此方法还允许multi-arity elems 和累加器。如果elems 是一个(可能是嵌套的)张量列表或元组，那么这些张量中的每一个都必须具有匹配的第一个(解包)维度。 fn 的第二个参数必须与 elems 的结构匹配。

如果没有提供initializer，则假设fn的输出结构和dtypes与其输入相同；在这种情况下，fn 的第一个参数必须与 elems 的结构匹配。

如果提供了 initializer，则 fn 的输出必须与 initializer 具有相同的结构；并且fn 的第一个参数必须匹配这个结构。

例如，如果 elems 是 (t1, [t2, t3]) 并且 initializer 是 [i1, i2] 那么 python2 中 fn 的适当签名是：fn = lambda (acc_p1, acc_p2), (t1, [t2, t3]): 和 fn 必须返回一个列表 [acc_n1, acc_n2] 。 fn 的另一种正确签名以及在 python3 中工作的签名是： fn = lambda a, t: ，其中 a 和 t 对应于输入元组。

例子：

elems = np.array([1, 2, 3, 4, 5, 6])
sum = scan(lambda a, x:a + x, elems)
# sum == [1, 3, 6, 10, 15, 21]
sum = scan(lambda a, x:a + x, elems, reverse=True)
# sum == [21, 20, 18, 15, 11, 6]

elems = np.array([1, 2, 3, 4, 5, 6])
initializer = np.array(0)
sum_one = scan(
    lambda a, x:x[0] - x[1] + a, (elems + 1, elems), initializer)
# sum_one == [1, 2, 3, 4, 5, 6]

elems = np.array([1, 0, 0, 0, 0, 0])
initializer = (np.array(0), np.array(1))
fibonaccis = scan(lambda a, _:(a[1], a[0] + a[1]), elems, initializer)
# fibonaccis == ([1, 1, 2, 3, 5, 8], [1, 2, 3, 5, 8, 13])