如何在tensorflow / keras中移动像pandas.shift这样的张量？ （无需将最后一行移至第一行，如 tf.roll）

Question

我想在给定轴上移动张量。在 pandas 或 numpy 中很容易做到这一点。像这样：

import numpy as np
import pandas as pd

data = np.arange(0, 6).reshape(-1, 2)
pd.DataFrame(data).shift(1).fillna(0).values

输出是：

数组([[0., 0.],
[0., 1.],
[2., 3.]])

但是在张量流中，我找到的最接近的解决方案是

tf.roll

。但它会将最后一行移到第一行。 （我不想那样）。所以我必须使用类似的东西

tf.roll + tf.slice(remove the last row) + tf.concat(add tf.zeros to the first row)

.

真的是

丑陋。

在tensorflow或keras中是否有更好的方法来处理

shift

？

谢谢。

Answer 1

我想我找到了解决这个问题的更好方法。

我们可以使用

tf.roll

，然后应用 

tf.math.multiply

 将第一行设置为零。

示例代码如下：

原始张量：

A = tf.cast(tf.reshape(tf.range(27), (-1, 3, 3)), dtype=tf.float32)
A

输出：

<tf.Tensor: id=117, shape=(3, 3, 3), dtype=float32, numpy=
array([[[ 0.,  1.,  2.],
        [ 3.,  4.,  5.],
        [ 6.,  7.,  8.]],

       [[ 9., 10., 11.],
        [12., 13., 14.],
        [15., 16., 17.]],

       [[18., 19., 20.],
        [21., 22., 23.],
        [24., 25., 26.]]], dtype=float32)>

Shift（如 pd.shift）：

B = tf.concat((tf.zeros((1, 3)), tf.ones((2, 3))), axis=0)
C = tf.expand_dims(B, axis=0)
tf.math.multiply(tf.roll(A, 1, axis=1), C)

输出：

<tf.Tensor: id=128, shape=(3, 3, 3), dtype=float32, numpy=
array([[[ 0.,  0.,  0.],
        [ 0.,  1.,  2.],
        [ 3.,  4.,  5.]],

       [[ 0.,  0.,  0.],
        [ 9., 10., 11.],
        [12., 13., 14.]],

       [[ 0.,  0.,  0.],
        [18., 19., 20.],
        [21., 22., 23.]]], dtype=float32)>

Answer 2

试试这个：

import tensorflow as tf
input = tf.constant([[0, 1, 3], [4, 5, 6], [7, 8, 9]])
shifted_0dim = input[1:]
shifted_1dim = input[:, 1:]
shifted2 = input[2:]

Answer 3

将

接受的答案推广到任意张量形状、所需的移位和要移位的轴：

import tensorflow as tf

def tf_shift(tensor, shift=1, axis=0):
    dim = len(tensor.shape)

    if axis > dim:
        raise ValueError(
            f'Value of axis ({axis}) must be <= number of tensor axes ({dim})'
        )

    mask_dim = dim - axis
    mask_shape = tensor.shape[-mask_dim:]
    zero_dim = min(shift, mask_shape[0])

    mask = tf.concat(
        [tf.zeros(tf.TensorShape(zero_dim) + mask_shape[1:]),
         tf.ones(tf.TensorShape(mask_shape[0] - zero_dim) + mask_shape[1:])],
        axis=0
    )

    for i in range(dim - mask_dim):
        mask = tf.expand_dims(mask, axis=0)

    return tf.multiply(
        tf.roll(tensor, shift, axis),
        mask
    )

编辑： 上面的代码不允许负移位值，并且速度相当慢。这是一个更有效的版本，利用

tf.roll

 和 

tf.concat

，无需创建掩码并将感兴趣的张量乘以它。

import tensorflow as tf

def tf_shift(values: tf.Tensor, shift: int = 1, axis: int = 0):
    pad = tf.zeros([val if i != axis else abs(shift) for i, val in enumerate(values.shape)],
                   dtype=values.dtype)
    size = [-1 if i != axis else val - abs(shift) for i, val in enumerate(values.shape)]

    if shift > 0:
        shifted = tf.concat(
            [pad, tf.slice(values, [0] * len(values.shape), size)],
            axis=axis
        )
    elif shift < 0:
        shifted = tf.concat(
            [tf.slice(values, [0 if i != axis else abs(shift) for i, _ in enumerate(values.shape)], size), pad],
            axis=axis
        )
    else:
        shifted = values

    return shifted

Answer 4

假设是一个二维张量，这个函数应该模仿数据帧移位：

def shift_tensor(tensor, periods, fill_value):
    num_row = len(tensor)
    num_col = len(tensor[0])
    pad = tf.fill([periods, num_col], fill_value)
    
    if periods > 0:
        shifted_tensor = tf.concat((pad, tensor[:(num_row - periods), :]), axis=0)
    else:
        shifted_tensor = tf.concat((tensor[:(num_row - periods), :], pad), axis=0)
    
    return shifted_tensor

Answer 5

我认为你可以使用底片垫。 这会向后移动 -1，并在末尾添加 0。

keras.ops.pad([1, 2, 3], (-1, 1), 'constant', 0.)

张量([2, 3, 0], device='cuda:0', dtype=torch.int32)

这将向前移动一位，并在开头添加 0

keras.ops.pad([1, 2, 3], (1, 0), 'constant', 0.)

张量([0, 1, 2, 3], device='cuda:0', dtype=torch.int32)

你明白了。

https://www.tensorflow.org/api_docs/python/tf/keras/ops/pad