张量流错误 map_fn。无法指定输出签名

Error with tensorflow map_fn. Unable to specify output signature

我正在尝试使用 tensorflow 的 tf.map_fn 来映射参差不齐的张量,但我遇到了无法修复的错误。 下面是一些演示错误的最小代码:

import tensorflow as tf

X = tf.ragged.constant([[0,1,2], [0,1]])
def outer_product(x):
  return x[...,None]*x[None,...]
tf.map_fn(outer_product, X)

我想要的输出是:

tf.ragged.constant([
 [[0, 0, 0],
  [0, 1, 2],
  [0, 2, 4]],
 [[0, 0],
  [0, 1]]
])

我得到的错误是:

"InvalidArgumentError: All flat_values must have compatible shapes. Shape at index 0: [3]. Shape at index 1: [2]. If you are using tf.map_fn, then you may need to specify an explicit fn_output_signature with appropriate ragged_rank, and/or convert output tensors to RaggedTensors. [Op:RaggedTensorFromVariant]"

我知道我需要指定 fn_output_signature,但尽管进行了试验,我还是不知道应该指定什么。

编辑:我稍微整理了一下 AloneTogether 的出色答案并创建了一个函数来映射参差不齐的张量。他的回答使用 tf.ragged.stack 函数将张量转换为参差不齐的张量,tf.map_fn 出于某种原因需要

def ragged_map_fn(func, t): 
  def new_func(t):
    return tf.ragged.stack(func(t),0)
  signature = tf.type_spec_from_value(new_func(t[0]))
  ans = tf.map_fn(new_func, t, fn_output_signature=signature)
  ans = tf.squeeze(ans, 1)
  return ans

参差不齐的张量有时真的很棘手。这是您可以尝试的一个选项:

import tensorflow as tf

X = tf.ragged.constant([
                        [0,1,2], 
                        [0,1]
                       ])
def outer_product(x):
  t = x[...,None] * x[None,...]
  return tf.ragged.stack(t)


y = tf.map_fn(outer_product, X, fn_output_signature=tf.RaggedTensorSpec(shape=[1, None, None],
                                                                    dtype=tf.type_spec_from_value(X).dtype,
                                                                    ragged_rank=2,
                                                                    row_splits_dtype=tf.type_spec_from_value(X).row_splits_dtype))
tf.print(y)
#y = tf.concat([y[0, :], y[1, :]], axis=0) # Remove additional dimension from Ragged Tensor
y = y.merge_dims(0, 1)
tf.print(y)
[
 [
  [
   [0, 0, 0], 
   [0, 1, 2], 
   [0, 2, 4]
  ]
 ], 
 [
  [
   [0, 0], 
   [0, 1]
  ]
 ]
]

并且在使用 y.merge_dims(0, 1)tf.concat 删除附加维度后:

[
 [
  [0, 0, 0], 
  [0, 1, 2], 
  [0, 2, 4]
 ], 
 [
  [0, 0], 
  [0, 1]
 ]
]