tensor_slicing.ipynb

Kernel: Python 3

Copyright 2020 The TensorFlow Authors.

#@title Licensed under the Apache License, Version 2.0 (the "License");
# you may not use this file except in compliance with the License.
# You may obtain a copy of the License at
#
# https://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.

Introdução ao fatiamento de tensores

Ver em TensorFlow.org

Executar no Google Colab

Ver fonte no GitHub

Baixar notebook

Ao trabalhar com aplicativos de ML, como a detecção de objetos e o NLP, às vezes é preciso trabalhar com subseções (fatias) de tensores. Por exemplo, se a arquitetura do modelo incluir roteamento, em que uma camada pode controlar o exemplo de treinamento roteado para a próxima camada. Nesse caso, você pode usar ops de fatiamento de tensores para dividir os tensores e colocá-los de volta na ordem certa.

Em aplicativos NLP, você pode usar o fatiamento de tensores para o mascaramento de palavras durante o treinamento. Por exemplo, você pode gerar dados de treinamento a partir de uma lista de frases ao escolher um índice de palavras para mascarar em cada frase, tirando a palavra como um rótulo e a substituindo por um token de máscara.

Neste guia, você aprenderá a usar as APIs TensorFlow para:

• Extrair fatias de um tensor

• Inserir dados em índices específicos de um tensor

Este guia presume a familiaridade com a indexação de tensores. Leia as seções de indexação dos guias sobre Tensores e NumPy do TensorFlow antes de começar com este tutorial.

Configuração

import tensorflow as tf
import numpy as np

Extraia fatias de tensores

Realize o fatiamento de tensores semelhante ao do NumPy usando tf.slice.

t1 = tf.constant([0, 1, 2, 3, 4, 5, 6, 7])

print(tf.slice(t1,
               begin=[1],
               size=[3]))

Como alternativa, você pode usar uma sintaxe mais pythônica. Observe que as fatias do tensor estão uniformemente espaçadas em um intervalo start-stop.

print(t1[1:4])

print(t1[-3:])

Para tensores bidimensionais, você pode usar algo como:

t2 = tf.constant([[0, 1, 2, 3, 4],
                  [5, 6, 7, 8, 9],
                  [10, 11, 12, 13, 14],
                  [15, 16, 17, 18, 19]])

print(t2[:-1, 1:3])

Você também pode usar tf.slice em tensores com mais dimensões.

t3 = tf.constant([[[1, 3, 5, 7],
                   [9, 11, 13, 15]],
                  [[17, 19, 21, 23],
                   [25, 27, 29, 31]]
                  ])

print(tf.slice(t3,
               begin=[1, 1, 0],
               size=[1, 1, 2]))

Além disso, é possível usar tf.strided_slice para extrair fatias de tensores com o "striding" sobre as dimensões de tensores.

Use tf.gather para extrair índices específicos de um único eixo de um tensor.

print(tf.gather(t1,
                indices=[0, 3, 6]))

# This is similar to doing

t1[::3]

tf.gather não requer que os índices estejam uniformemente espaçados.

alphabet = tf.constant(list('abcdefghijklmnopqrstuvwxyz'))

print(tf.gather(alphabet,
                indices=[2, 0, 19, 18]))

Para extrair fatias de vários eixos de um tensor, use tf.gather_nd. Isso é útil quando você quer coletar os elementos de uma matriz, e não só as linhas ou colunas.

t4 = tf.constant([[0, 5],
                  [1, 6],
                  [2, 7],
                  [3, 8],
                  [4, 9]])

print(tf.gather_nd(t4,
                   indices=[[2], [3], [0]]))

t5 = np.reshape(np.arange(18), [2, 3, 3])

print(tf.gather_nd(t5,
                   indices=[[0, 0, 0], [1, 2, 1]]))

# Return a list of two matrices

print(tf.gather_nd(t5,
                   indices=[[[0, 0], [0, 2]], [[1, 0], [1, 2]]]))

# Return one matrix

print(tf.gather_nd(t5,
                   indices=[[0, 0], [0, 2], [1, 0], [1, 2]]))

Insira dados em tensores

Use tf.scatter_nd para inserir dados em fatias/índices específicos de um tensor. Observe que o tensor em que você inserir valores é inicializado com zeros.

t6 = tf.constant([10])
indices = tf.constant([[1], [3], [5], [7], [9]])
data = tf.constant([2, 4, 6, 8, 10])

print(tf.scatter_nd(indices=indices,
                    updates=data,
                    shape=t6))

Métodos como tf.scatter_nd que exigem tensores inicializados com zeros são semelhantes aos inicializadores de tensores esparsos. Você pode usar tf.gather_nd e tf.scatter_nd para imitar o comportamento das ops de tensores esparsos.

Considere um exemplo em que você constrói um tensor esparso usando esses dois métodos em conjunto.

# Gather values from one tensor by specifying indices

new_indices = tf.constant([[0, 2], [2, 1], [3, 3]])
t7 = tf.gather_nd(t2, indices=new_indices)

# Add these values into a new tensor

t8 = tf.scatter_nd(indices=new_indices, updates=t7, shape=tf.constant([4, 5]))

print(t8)

Isso é parecido com o seguinte:

t9 = tf.SparseTensor(indices=[[0, 2], [2, 1], [3, 3]],
                     values=[2, 11, 18],
                     dense_shape=[4, 5])

print(t9)

# Convert the sparse tensor into a dense tensor

t10 = tf.sparse.to_dense(t9)

print(t10)

Para inserir dados em um tensor com valores pré-existentes, use tf.tensor_scatter_nd_add.

t11 = tf.constant([[2, 7, 0],
                   [9, 0, 1],
                   [0, 3, 8]])

# Convert the tensor into a magic square by inserting numbers at appropriate indices

t12 = tf.tensor_scatter_nd_add(t11,
                               indices=[[0, 2], [1, 1], [2, 0]],
                               updates=[6, 5, 4])

print(t12)

De maneira semelhante, use tf.tensor_scatter_nd_sub para subtrair valores de um tensor com valores pré-existentes.

# Convert the tensor into an identity matrix

t13 = tf.tensor_scatter_nd_sub(t11,
                               indices=[[0, 0], [0, 1], [1, 0], [1, 1], [1, 2], [2, 1], [2, 2]],
                               updates=[1, 7, 9, -1, 1, 3, 7])

print(t13)

Use tf.tensor_scatter_nd_min para copiar os valores mínimos elemento a elemento de um tensor para outro.

t14 = tf.constant([[-2, -7, 0],
                   [-9, 0, 1],
                   [0, -3, -8]])

t15 = tf.tensor_scatter_nd_min(t14,
                               indices=[[0, 2], [1, 1], [2, 0]],
                               updates=[-6, -5, -4])

print(t15)

De maneira semelhante, use tf.tensor_scatter_nd_max para copiar os valores máximos elemento a elemento de um tensor para outro.

t16 = tf.tensor_scatter_nd_max(t14,
                               indices=[[0, 2], [1, 1], [2, 0]],
                               updates=[6, 5, 4])

print(t16)

Leituras e recursos adicionais

Neste guia, você aprendeu a usar as operações de fatiamento de tensores disponíveis com o TensorFlow para exercer um controle mais fino sobre os elementos nos seus tensores.

• Confira as operações de fatiamento disponíveis com o NumPy do TensorFlow, como tf.experimental.numpy.take_along_axis e tf.experimental.numpy.take.

• Consulte também o Guia de tensores e o Guia de variáveis.