不规则张量 RaggedTensor

data = tf.constant(
    [
        [
            [1., 2., 0., 2., 1., 0., 1.],
            [0., 0., 0., 1., 0., 0., 0.],
            [2., 0., 2., 1., 1., 3., 0.],
            [0., 0., 0., 0., 0., 0., 0.],
            [0., 0., 0., 0., 0., 0., 0.]
        ],
        [
            [1., 2., 3., 2., 1., 0., 1.],
            [0., 2., 3., 1., 0., 0., 0.],
            [1., 2., 2., 1., 1., 3., 0.],
            [1., 3., 5., 7., 0., 0., 0.],
            [0., 0., 0., 0., 0., 0., 0.]
        ],
        [
            [1., 2., 3., 2., 1., 0., 1.],
            [0., 2., 3., 1., 0., 0., 0.],
            [1., 2., 2., 1., 1., 3., 0.],
            [1., 3., 5., 7., 0., 0., 0.],
            [0., 0., 0., 0., 0., 0., 0.]
        ],
    ],tf.float32)
rt = tf.RaggedTensor.from_tensor(data, lengths=[3, 4, 0])
print(rt)
mean = tf.reduce_mean(rt, axis=1)
max = tf.reduce_max(rt, axis=1)
min = tf.reduce_min(rt, axis=1)
sum = tf.reduce_sum(rt, axis=1)
multi_pooling = tf.concat([mean, max, min, sum], axis=1)
#sess = tf.Session()
#rt, mean, max, min, sum, multi_pooling = sess.run([rt, mean, max, min, sum, multi_pooling])
print('raw:\n', rt)
print('mean:\n', mean, '\nmax\n', max, '\nmin\n', min, '\nsum\n', sum)
print('multi_pooling:\n', multi_pooling)

高阶函数 map_fn

data = tf.constant(
    [
        [
            [1., 2., 0., 2., 1., 0., 1.],
            [0., 0., 0., 1., 0., 0., 0.],
            [2., 0., 2., 1., 1., 3., 0.],
            [0., 0., 0., 0., 0., 0., 0.],
            [0., 0., 0., 0., 0., 0., 0.]
        ],
        [
            [1., 2., 3., 2., 1., 0., 1.],
            [0., 2., 3., 1., 0., 0., 0.],
            [1., 2., 2., 1., 1., 3., 0.],
            [1., 3., 5., 7., 0., 0., 0.],
            [0., 0., 0., 0., 0., 0., 0.]
        ]
    ],tf.float32)

size = tf.constant([3, 4], tf.int32)
print(data, size)

def mask_multi_pooling(row):
    filtered = tf.slice(row[0], [0, 0],  [row[1], row[0].shape[1]])
    pooling_list = [tf.reduce_sum(filtered, axis=0), tf.reduce_mean(filtered, axis=0), tf.reduce_max(filtered, axis=0), tf.reduce_min(filtered, axis=0)]
    return  tf.concat(pooling_list, axis=0)

multi = tf.map_fn(mask_multi_pooling,  (data, size), dtype=tf.float32)

#multi = tf.Print(multi, [multi.shape, multi], message="Debug")

print(multi)

tf.reduce_***()

• 如果reduce的维度为0
  • reduce_max()返回min_value
  • reduce_min()返回max_value
  • reduce_mean()返回nan
  • reduce_sum()返回0