如何使用张量流处理嵌套循环？

Question

我是张量流的新手。我正在使用 keras，但为了创建自定义损失函数，我或多或少被迫在 tensorflow 中编写一个函数。我陷入了必须将以下 numpy for 循环转换为 tensorflow 语法的地步。

for j in range(grid):
    for k in range(modes):
        for l in range(dim):
            for m in range(dim):
                lorentz[:,j,l,m] += 1J*osc_stre[:,l,m,k]/(energies[j]-e_j[:,k])
                if l == m == k:
                    lorentz[:,j,l,m] += 1

在这里你可以看到数组的初始形状：

e_j = zeros([sample_nr,modes],dtype='complex')
osc_stre = zeros([sample_nr,dim,dim,modes],dtype='complex')
lorentz = zeros([sample_nr,grid,dim,dim],dtype='compex')

能量[j] 的形状为（网格）

tensorflow可以解决这个问题吗？谁能给我提示如何将其转换为 tensorflow 语法？我已经尝试过一些类似 tensorflow while 循环的方法，但其中一个大问题是，tensorflow 对象不支持项目分配。

编辑：

我想我已经为这个问题的简化版本想出了一个解决方案：

for j in range(grid):
    for k in range(modes):
        lorentz[j] += 1J*osc_stre[k]/(energies[j]-e_j[k])
        if k == 0:
           lorentz[j] += 1

解决方法：

lorentz_list = []
    tf_one = tf.ones([1], complex64)
    tf_i = tf.cast(tf.complex(0.,1.), complex64)
    energies_float = tf.cast(energies,float32)
    energies_complex = tf.complex(energies_float,tf.zeros([energy_grid],float32))
    for j in range(energy_grid):
        lorentz_list.append(tf.add(tf_one,tf.reduce_sum(tf.multiply(tf_i,tf.divide(osc_stre_tot,tf.subtract(energies_complex[j],e_j))),-1)))
    lorentz = tf.stack(lorentz_list)

Answer 1

假设这些：

lorentz.shape == (batch, grid, dim, dim) 并且在循环之前为零。
osc_stre.shape == (batch, dim, dim, modes)
energies.shape == (grid,)
e_j.shape == (batch, modes)

然后：

osc_stre = K.reshape(osc_stre, (-1, 1, dim, dim, modes))
energies = K.reshape(energies, (1, grid, 1, 1, 1))   
e_j = K.reshape(e_j, (-1, 1, 1, 1, modes))

lorentz = 1J*osc_stre/(energies-e_j) 

identity = np.zeros((1, 1, dim, dim, modes))
for d in range(min(modes,dim)):
    identity[0,0,d,d,d] = 1
identity = K.variable(identity, dtype = tf.complex64)

lorentz += identity
lorentz = K.sum(lorentz, axis=-1)

如何使用张量流处理嵌套循环？

How to handle nested loops with tensorflow?

python

tensorflow

keras

nested-loops

loss-function