tf.boolean_mask，必须指定mask_dimension？

Question

使用tf.boolean_mask()时，会引发值错误。它说：“必须指定掩码尺寸的数目，即使某些维度为零。例如，shape=None是可以的，但shape=None不是。

我怀疑当我创建我的布尔掩码时出现了问题，因为当我只是手工创建一个布尔掩码时，所有的功能都很好。然而，到目前为止，我已经检查了s的形状和类型，并且没有注意到任何可疑的东西。两者似乎都与我手工创建的布尔掩码的形状和类型相同。

请看问题的截图。如下所示，应允许您在计算机上重现错误。你需要tensorflow，numpy和scipy。

with tf.Session() as sess:
    # receive five embedded vectors
    v0 = tf.constant([[3.0,1.0,2.,4.,2.]])
    v1 = tf.constant([[4.0,0,1.0,4,1.]])
    v2 = tf.constant([[1.0,1.0,0.0,4.,8.]])
    v3 = tf.constant([[1.,4,2.,5.,2.]])
    v4 = tf.constant([[3.,2.,3.,2.,5.]])

    # concatenate the five embedded vectors into a matrix
    VT = tf.concat([v0,v1,v2,v3,v4],axis=0)

    # perform SVD on the concatenated matrix
    s, u1, u2   = tf.svd(VT)
    e = tf.square(s) # list of eigenvalues
    v = u1 # eigenvectors as column vectors

    # sample a set
    s = tf.py_func(sample_dpp_bin,[e,v],tf.bool)
    X = tf.boolean_mask(VT,s)
    print(X.eval())

这是生成s. s的代码，它是一个来自于确定性点过程的样本(对于数学上感兴趣的人)。请注意，我正在使用tf.py_func包装这个python函数：

import tensorflow as tf
import numpy as np
from scipy.linalg import orth

def sample_dpp_bin(e_val,e_vec):
    # e_val = np.array of eigenvalues
    # e_vec = array of eigenvectors (= column vectors)
    eps = 0.01

    # sample a set of eigenvectors
    ind = (np.random.rand(len(e_val)) <= (e_val)/(1+e_val))
    k = sum(ind)
    if k == e_val.size:
        return np.ones(e_val.size,dtype=bool) # check for full set
    if k == 0:
        return np.zeros(e_val.size,dtype=bool)
    V = e_vec[:,np.array(ind)]

    # sample a set of k items 
    sample = np.zeros(e_val.size,dtype=bool)
    for l in range(k-1,-1,-1):
        p = np.sum(V**2,axis=1)
        p = np.cumsum(p / np.sum(p)) # item cumulative probabilities
        i = int((np.random.rand() <= p).argmax()) # choose random item
        sample[i] = True

        j = (np.abs(V[i,:])>eps).argmax() # pick an eigenvector not orthogonal to e_i
        Vj = V[:,j]
        V = orth(V - (np.outer(Vj,(V[i,:]/Vj[i]))))

    return sample

如果我打印s和tf.reshape(s)的输出是

[False  True  True  True  True]
[5]

如果我打印VT和tf.reshape(VT)的输出是

[[ 3.  1.  2.  4.  2.]
 [ 4.  0.  1.  4.  1.]
 [ 1.  1.  0.  4.  8.]
 [ 1.  4.  2.  5.  2.]
 [ 3.  2.  3.  2.  5.]]
[5 5]   

任何帮助都很感激。

Answer 1

下面的例子适用于我。

import tensorflow as tf
import numpy as np

tensor = [[1, 2], [3, 4], [5, 6]]
mask = np.array([True, False, True])

t_m = tf.boolean_mask(tensor, mask)
sess = tf.Session()
print(sess.run(t_m))

输出：

[[1 2]
 [5 6]]

提供可运行的代码片段来再现错误。我想你可能做错了什么。

更新：

s = tf.py_func(sample_dpp_bin,[e,v],tf.bool)
s_v = (s.eval())
X = tf.boolean_mask(VT,s_v)
print(X.eval())

掩码应该是np阵列，而不是TF张量。您不必使用tf.pyfunc。

Answer 2

错误消息声明没有定义掩码的形状。如果你打印tf.shape(s)，你会得到什么？我敢打赌，您的代码的问题是s的形状是完全未知的，您可以通过一个简单的调用来修复这个问题，比如s.set_shape((None)) (简单地指定s是一个一维张量)。考虑一下下面的代码片段：

X = np.random.randint(0, 2, (100, 100, 3))
with tf.Session() as sess:
    X_tf = tf.placeholder(tf.int8)
    # X_tf.set_shape((None, None, None))
    y = tf.greater(tf.reduce_max(X_tf, axis=(0, 1)), 0)
    print(tf.shape(y))
    z = tf.boolean_mask(X_tf, y, axis=2)
    print(sess.run(z, feed_dict={X_tf: X}))

这将打印Tensor("Shape_3:0", shape=(?,), dtype=int32)的形状(即，即使y的尺寸也是未知的)，并返回与您相同的错误。但是，如果取消对set_shape行的注释，那么X_tf是三维的，因此s是一维的。然后代码就能工作了。因此，我认为您所需要做的就是在s.set_shape((None))调用之后添加一个py_func调用。