如何将带有 boolean_mask 的蒙版应用于最后一个维度
how to apply mask with boolean_mask to the last dimensions
我正在尝试将三角形遮罩应用于张量的最后两个维度。
我正在做这样的事情：
a, b, c, d = 2, 2, 2, 2
tensor = tf.random.uniform((a, b, c, d))
lower_triangular = tf.linalg.band_part(tf.reshape(tf.ones((c, d)), shape=(1, 1, c, d)), -1, 0)
tf.boolean_mask(tensor, lower_triangular == 0)
最后一条指令失败，出现以下异常
/usr/local/lib/python3.6/dist-packages/tensorflow/python/util/dispatch.py in wrapper(*args, **kwargs)
199 """Call target, and fall back on dispatchers if there is a TypeError."""
200 try:
--> 201 return target(*args, **kwargs)
202 except (TypeError, ValueError):
203 # Note: convert_to_eager_tensor currently raises a ValueError, not a
/usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/array_ops.py in boolean_mask_v2(tensor, mask, axis, name)
1824 ```
1825 """
-> 1826 return boolean_mask(tensor, mask, name, axis)
1827
1828
/usr/local/lib/python3.6/dist-packages/tensorflow/python/util/dispatch.py in wrapper(*args, **kwargs)
199 """Call target, and fall back on dispatchers if there is a TypeError."""
200 try:
--> 201 return target(*args, **kwargs)
202 except (TypeError, ValueError):
203 # Note: convert_to_eager_tensor currently raises a ValueError, not a
/usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/array_ops.py in boolean_mask(tensor, mask, name, axis)
1744 if axis_value is not None:
1745 axis = axis_value
-> 1746 shape_tensor[axis:axis + ndims_mask].assert_is_compatible_with(shape_mask)
1747
1748 leading_size = gen_math_ops.prod(shape(tensor)[axis:axis + ndims_mask], [0])
/usr/local/lib/python3.6/dist-packages/tensorflow/python/framework/tensor_shape.py in assert_is_compatible_with(self, other)
1132 """
1133 if not self.is_compatible_with(other):
-> 1134 raise ValueError("Shapes %s and %s are incompatible" % (self, other))
1135
1136 def most_specific_compatible_shape(self, other):
ValueError: Shapes (2, 2, 2, 2) and (1, 1, 2, 2) are incompatible
如果我创建一个与我的张量形状完全相同的蒙版，我会得到一个奇怪的结果：
a, b, c, d = 2, 2, 2, 2
tensor = tf.random.uniform((a, b, c, d))
lower_triangular = tf.linalg.band_part(tf.ones((a, b, c, d)), -1, 0)
result = tf.boolean_mask(tensor, lower_triangular == 0)
result.shape
结果有一个形状 TensorShape([4]) 不确定这是在做什么。
正确的敷面膜方法是怎样的？
The result has a shape TensorShape([4]) not sure what is this doing.
你有一个像这样的张量：
[[[[0.7786709 , 0.67790854],
[0.72038054, 0.8475332 ]],
[[0.945917 , 0.496732 ],
[0.05510616, 0.44530773]]],
[[[0.05596864, 0.59605396],
[0.5459013 , 0.80567217]],
[[0.1393286 , 0.74939907],
[0.1695472 , 0.55127 ]]]]
还有这样的面具：
[[[[False, True],
[False, False]],
[[False, True],
[False, False]]],
[[[False, True],
[False, False]],
[[False, True],
[False, False]]]]
所以，你最终得到这样的结果：
[0.67790854, 0.496732 , 0.59605396, 0.74939907]
我们可以看到掩码“过滤”掉了掩码为假的所有值并使结果变平。
因此，如果掩码中 True 个值的总数为 n，并且您匹配了张量和掩码的尺寸，那么您最终会得到形状为 [n] 的张量。
我不清楚您对蒙版操作的期望结果是什么，但是，如果扁平化让您感到惊讶，那么听起来您可能只是想要这样的结果？:
[[[[0. , 0.67790854],
[0. , 0. ]],
[[0. , 0.496732 ],
[0. , 0. ]]],
[[[0. , 0.59605396],
[0. , 0. ]],
[[0. , 0.74939907],
[0. , 0. ]]]]
你可以通过乘以掩码得到它（当然，我们需要先投射它）。
也许是这样的：
tf.cast(lower_triangular == 0, tf.float32) * tensor
W.R.T原报错信息：
如果要应用与张量具有相同秩的掩码，则所有维度都需要相等。而您 可以 应用维数较少的掩码（我怀疑您正试图这样做）。
例如：
tf.boolean_mask(tensor, lower_triangular[0,0] == 0)
给出：
[[[0.945917 , 0.496732 ],
[0.05510616, 0.44530773]]]
我们还可以控制 axis 掩码适用于哪个对象。所以，例如：
tf.boolean_mask(tensor, lower_triangular[0,0] == 0, axis=2)
returns:
[[[0.67790854],
[0.496732 ]],
[[0.59605396],
[0.74939907]]]
蒙版应用于第 2 个轴（而不是默认第 0 个轴）
tf.boolean_mask(
tensor, mask, axis=None, name='boolean_mask'
)
Numpy 等价于张量[mask]。
# 1-D example
tensor = [0, 1, 2, 3]
mask = np.array([True, False, True, False])
boolean_mask(tensor, mask) # [0, 2]
一般来说，0 < dim(mask) = K <= dim(tensor)，mask的形状必须匹配张量形状的前K维。然后我们有： boolean_mask(tensor, mask)[i, j1,...,jd] = tensor[i1,...,iK,j1,...,jd] 其中 (i1,...,iK) 是掩码的第 i 个 True 条目（row-major 顺序）。该轴可以与 mask 一起使用以指示要屏蔽的轴。在这种情况下，axis + dim(mask) <= dim(tensor) 和掩码的形状必须匹配张量形状的第一个轴 + dim(mask) 维度。
我正在尝试将三角形遮罩应用于张量的最后两个维度。
我正在做这样的事情：
a, b, c, d = 2, 2, 2, 2
tensor = tf.random.uniform((a, b, c, d))
lower_triangular = tf.linalg.band_part(tf.reshape(tf.ones((c, d)), shape=(1, 1, c, d)), -1, 0)
tf.boolean_mask(tensor, lower_triangular == 0)
最后一条指令失败，出现以下异常
/usr/local/lib/python3.6/dist-packages/tensorflow/python/util/dispatch.py in wrapper(*args, **kwargs)
199 """Call target, and fall back on dispatchers if there is a TypeError."""
200 try:
--> 201 return target(*args, **kwargs)
202 except (TypeError, ValueError):
203 # Note: convert_to_eager_tensor currently raises a ValueError, not a
/usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/array_ops.py in boolean_mask_v2(tensor, mask, axis, name)
1824 ```
1825 """
-> 1826 return boolean_mask(tensor, mask, name, axis)
1827
1828
/usr/local/lib/python3.6/dist-packages/tensorflow/python/util/dispatch.py in wrapper(*args, **kwargs)
199 """Call target, and fall back on dispatchers if there is a TypeError."""
200 try:
--> 201 return target(*args, **kwargs)
202 except (TypeError, ValueError):
203 # Note: convert_to_eager_tensor currently raises a ValueError, not a
/usr/local/lib/python3.6/dist-packages/tensorflow/python/ops/array_ops.py in boolean_mask(tensor, mask, name, axis)
1744 if axis_value is not None:
1745 axis = axis_value
-> 1746 shape_tensor[axis:axis + ndims_mask].assert_is_compatible_with(shape_mask)
1747
1748 leading_size = gen_math_ops.prod(shape(tensor)[axis:axis + ndims_mask], [0])
/usr/local/lib/python3.6/dist-packages/tensorflow/python/framework/tensor_shape.py in assert_is_compatible_with(self, other)
1132 """
1133 if not self.is_compatible_with(other):
-> 1134 raise ValueError("Shapes %s and %s are incompatible" % (self, other))
1135
1136 def most_specific_compatible_shape(self, other):
ValueError: Shapes (2, 2, 2, 2) and (1, 1, 2, 2) are incompatible
如果我创建一个与我的张量形状完全相同的蒙版，我会得到一个奇怪的结果：
a, b, c, d = 2, 2, 2, 2
tensor = tf.random.uniform((a, b, c, d))
lower_triangular = tf.linalg.band_part(tf.ones((a, b, c, d)), -1, 0)
result = tf.boolean_mask(tensor, lower_triangular == 0)
result.shape
结果有一个形状 TensorShape([4]) 不确定这是在做什么。
正确的敷面膜方法是怎样的？
The result has a shape
TensorShape([4])not sure what is this doing.
你有一个像这样的张量：
[[[[0.7786709 , 0.67790854],
[0.72038054, 0.8475332 ]],
[[0.945917 , 0.496732 ],
[0.05510616, 0.44530773]]],
[[[0.05596864, 0.59605396],
[0.5459013 , 0.80567217]],
[[0.1393286 , 0.74939907],
[0.1695472 , 0.55127 ]]]]
还有这样的面具：
[[[[False, True],
[False, False]],
[[False, True],
[False, False]]],
[[[False, True],
[False, False]],
[[False, True],
[False, False]]]]
所以，你最终得到这样的结果：
[0.67790854, 0.496732 , 0.59605396, 0.74939907]
我们可以看到掩码“过滤”掉了掩码为假的所有值并使结果变平。
因此，如果掩码中 True 个值的总数为 n，并且您匹配了张量和掩码的尺寸，那么您最终会得到形状为 [n] 的张量。
我不清楚您对蒙版操作的期望结果是什么，但是，如果扁平化让您感到惊讶，那么听起来您可能只是想要这样的结果？:
[[[[0. , 0.67790854],
[0. , 0. ]],
[[0. , 0.496732 ],
[0. , 0. ]]],
[[[0. , 0.59605396],
[0. , 0. ]],
[[0. , 0.74939907],
[0. , 0. ]]]]
你可以通过乘以掩码得到它（当然，我们需要先投射它）。
也许是这样的：
tf.cast(lower_triangular == 0, tf.float32) * tensor
W.R.T原报错信息：
如果要应用与张量具有相同秩的掩码，则所有维度都需要相等。而您 可以 应用维数较少的掩码（我怀疑您正试图这样做）。
例如：
tf.boolean_mask(tensor, lower_triangular[0,0] == 0)
给出：
[[[0.945917 , 0.496732 ],
[0.05510616, 0.44530773]]]
我们还可以控制 axis 掩码适用于哪个对象。所以，例如：
tf.boolean_mask(tensor, lower_triangular[0,0] == 0, axis=2)
returns:
[[[0.67790854],
[0.496732 ]],
[[0.59605396],
[0.74939907]]]
蒙版应用于第 2 个轴（而不是默认第 0 个轴）
tf.boolean_mask(
tensor, mask, axis=None, name='boolean_mask'
)
Numpy 等价于张量[mask]。
# 1-D example
tensor = [0, 1, 2, 3]
mask = np.array([True, False, True, False])
boolean_mask(tensor, mask) # [0, 2]
一般来说，0 < dim(mask) = K <= dim(tensor)，mask的形状必须匹配张量形状的前K维。然后我们有： boolean_mask(tensor, mask)[i, j1,...,jd] = tensor[i1,...,iK,j1,...,jd] 其中 (i1,...,iK) 是掩码的第 i 个 True 条目（row-major 顺序）。该轴可以与 mask 一起使用以指示要屏蔽的轴。在这种情况下，axis + dim(mask) <= dim(tensor) 和掩码的形状必须匹配张量形状的第一个轴 + dim(mask) 维度。