map_fn和tf.keras.layers.Input

我不太清楚你为什么要用凯拉斯。输入层。但是假设你可以不使用这个层(因为它会使单独访问元素变得复杂，例如x[0])。由于您使用的是TF 2.0，我希望您可以使用numpy数组或TF。直接张量。如果没有，让我知道，我将尝试寻找一个方法，以纳入喀拉拉邦。输入层。 但是我主要想指出您将会遇到的错误(即使您让上面的错误通过)，以及您可以期望的一些工作解决方案的性能差异。短篇小说是tf。map_fn不能处理在每次行转换后返回可变大小输出的情况。更多细节在这里。这是你作为tf的问题。range将返回不同大小的行。 但是，如果您确定这些范围界限属于合理的上限(例如，范围的最大值是1000)，则可以使用tf。map_fn如下。基本上，我们填充了行变换的每个结果，这样所有的结果都有相同的长度。

m = tf.reduce_max(a)

def range_with_map(a):
    o = tf.map_fn(lambda x: tf.concat([tf.range(x[0],x[1]), tf.ones(shape=[x[0]+m-x[1]+1], dtype=tf.int32)*-1], axis=0), a, dtype=tf.int32)
    b = tf.RaggedTensor.from_tensor(o, padding=-1)
    return b

%timeit range_with_map(a)

这跑, 您还可以使用@tf.function进一步提高性能

@tf.function
def range_with_map_v2(a):
    o = tf.map_fn(
        lambda x: tf.concat([tf.range(x[0],x[1]), tf.ones(shape=[x[0]+m-x[1]+1], dtype=tf.int32)*-1], axis=0), 
        a, dtype=tf.int32) 
    b = tf.RaggedTensor.from_tensor(o, padding=-1)
    return b

但是如果这不是一个选项，我所能看到的最佳方法是使用for循环。

def range_with_for_loop(a):
    res = []
    for r in a:
        res.append(tf.reshape(tf.range(r[0],r[1]),[1,-1]))        
    return tf.ragged.stack(res)

没有必要说这是最差的表现 注:所有性能是w.r.t.我的机器有Nvidia GTX 960