如何为 TensorFlow 张量转换基于 numpy 的函数？

Question

我正在尝试使用 TensorFlow here 中可用的 tf.xyz 模块来实现以下功能。下面这个基于 NumPy 的函数将 3D 矩阵作为输入，使用最后一列的值和 returns 满足条件的前两列的值检查条件。

我很难将这个基于 NumPy 的模块转换为 TensorFlow 张量，我想将其作为 lambda 层添加到我的模型中。有什么建议吗？

我尝试使用 tf.greater() 和 tf.slice()，但没有得到与函数的 NumPy 版本相同的输出。

# NumPy based function on 3D matrix:
def fun1(arr):
   return arr[arr[:,2] > 0.95][:,:2]  

input_matrix = np.array([[[1, 2, 0.99], [11, 22, 0.80], [111, 222, 0.96]]])

>> input_matrix
[[[  1.     2.     0.99]
[ 11.    22.     0.8 ]
[111.   222.     0.96]]]

>> np.array([fun1(i) for i in input_matrix])
array([[[  1.,   2.],
        [111., 222.]]])

Answer 1

要在 tensorflow 中执行与 numpy 的布尔索引等效的操作，您可以使用 boolean_mask 函数 (documented here)。例如：

import tensorflow as tf

def f(x):
    first_two_cols = x[:, :, :2]
    mask = x[:, :, 2] > 0.95
    return tf.boolean_mask(first_two_cols, mask)

input_tensor = tf.convert_to_tensor([[[1, 2, 0.99], [11, 22, 0.80], [111, 222, 0.96]]])

with tf.Session():
    output = f(x).eval()

>> output
array([[  1.,   2.],
       [111., 222.]], dtype=float32)

如何为 TensorFlow 张量转换基于 numpy 的函数？

How to convert numpy based function for TensorFlow tensor?

python

numpy

keras

tensorflow

tensor