将 python/numpy 索引转移到 Tensorflow 并提高性能

Question

在之前的一个问题中，我询问了有关更快地将项目分配给数组的建议。从那时起，我取得了一些进展，例如，我扩展了推荐的版本来处理 3-D 数组，其目的是类似于神经网络后续训练数据的批量大小：

import numpy as np

import time

batch_dim = 2

first_dim = 5

second_dim = 7

depth_dim = 10

upper_count = 5000

toy_dict = {k:np.random.random_sample(size = depth_dim) for k in range(upper_count)}

a = np.array(list(toy_dict.values()))

def create_input_3d(orig_arr):

  print("Input shape:", orig_arr.shape)

  goal_arr = np.full(shape=(batch_dim, orig_arr.shape[1], orig_arr.shape[2], depth_dim), fill_value=1234, dtype=float)

  print("Goal shape:", goal_arr.shape)

  idx = np.indices(orig_arr.shape)

  print("Idx shape", idx.shape)

  goal_arr[idx[0], idx[1], idx[2]] = a[orig_arr[idx[0], idx[1], idx[2]]]

  return goal_arr

orig_arr_three_dim = np.random.randint(0, upper_count, size=(batch_dim, first_dim, second_dim))

orig_arr_three_dim.shape # (2,5,7)

reshaped = create_input_3d(orig_arr_three_dim)

然后，我决定创建一个自定义层以提高性能并即时进行转换（减少内存）：

import tensorflow as tf

from tensorflow import keras

import numpy as np

#custom layer

class CustLayer(keras.layers.Layer):

    def __init__(self, info_matrix, first_dim, second_dim, info_dim, batch_size):

        super(CustLayer, self).__init__()

        self.w = tf.Variable(

            initial_value=info_matrix,

            trainable=False,

            dtype=tf.dtypes.float32

        )

        self.info_dim = info_dim

        self.first_dim = first_dim

        self.second_dim = second_dim

        self.batch_size = batch_size

由于高级索引（如我第一个发布的代码中）不起作用，我回到了天真的 for 循环 - 这太慢了。

我正在寻找的是一种使用第一个代码片段中所示的高级索引的方法，并将其重新编程为 tf 兼容。这让我以后能够使用 GPU 进行学习。

简而言之：输入的形状为(batch_size, first_dim, second_dim)，返回的形状为(batch_size, first_dim, second_dim, info_dim)，摆脱了缓慢的 for 循环。提前致谢。

Answer 1

对于其他寻找答案的人来说，这就是我最终想出的：import tensorflow as tffrom tensorflow import kerasimport numpy as npimport timeclass CustLayer(keras.layers.Layer):    def __init__(self, info_matrix, first_dim, second_dim, info_dim, batch_size):        super(CustLayer, self).__init__()        self.w = tf.Variable(            initial_value=info_matrix,            trainable=False,            dtype=tf.dtypes.float32        )        self.info_matrix = info_matrix        self.info_dim = info_dim        self.first_dim = first_dim        self.second_dim = second_dim        self.batch_size = batch_size       def my_numpy_func(self, x):      # x will be a numpy array with the contents of the input to the      # tf.function      shape = x.shape      goal_arr = np.zeros(shape=(shape[0], shape[1], shape[2], self.info_dim), dtype=np.float32)      # indices to expand      idx = np.indices(shape)      goal_arr[idx[0], idx[1], idx[2]] = self.info_matrix[x[idx[0], idx[1], idx[2]]]      shape_arr = np.array([shape[0], shape[1], shape[2]], dtype=np.int8)      #tf.print("Shape:", shape)      #tf.print("Shape_arr:", shape_arr)      #tf.print("Type:",type(shape_arr))      return goal_arr, shape_arr    @tf.function(input_signature=[tf.TensorSpec((None, 39, 25), tf.int64)])    def tf_function(self, input):            y, shape_arr = tf.numpy_function(self.my_numpy_func, [input], [tf.float32, tf.int8], "Nameless")      #tf.print("shape_arr", shape_arr)      y = tf.reshape(y, shape=(shape_arr[0], shape_arr[1], shape_arr[2], self.info_dim))      return y    def call(self, orig_arr):      return self.tf_function(orig_arr)      注意事项：在 GPU 上运行，但不能在 TPU 上运行。