对于第二个问题,我认为结果是 [2, -1],因为第一次 x=np.array([1, 2, 3]) 并返回 1*2,第二次 x=np.array([-1, 1, -1]) 并返回 1*(-1)。
In [26]: a = np.array([[1, 2, 3], [2, 4, 1], [5, 1, 7]])
In [27]: b = np.array([[1, -1, -1], [1, 1, 1], [-1, 1, -1]])
In [28]: elems = (a, b)
In [29]: alternate = map_fn(lambda x: x[0] * x[1], elems, dtype=tf.int64)
In [30]: alternate.eval()
Out[30]:
array([[ 1, -2, -3],
[ 2, 4, 1],
[-5, 1, -7]])
您会发现,应用于函数的是elems中每个元素的0维张量。
对于第三个问题:我认为结果的形状是(3,2),因为第一次x=1并返回(1,-1),第二次x=2并返回(2,-2),第三次x=3并返回(3,-3)。
In [36]: elems = np.array([[1, 2, 3], [4, 5, 1], [1, 6, 1]])
In [37]: alternates = map_fn(lambda x: (x, -x), elems, dtype=(tf.int64, tf.int64))
In [38]: alternates
Out[38]:
(<tf.Tensor 'map_6/TensorArrayStack/TensorArrayGatherV3:0' shape=(3, 3) dtype=int64>,
<tf.Tensor 'map_6/TensorArrayStack_1/TensorArrayGatherV3:0' shape=(3, 3) dtype=int64>)
In [39]: alternates[0].eval()
Out[39]:
array([[1, 2, 3],
[4, 5, 1],
[1, 6, 1]])
In [40]: alternates[1].eval()
Out[40]:
array([[-1, -2, -3],
[-4, -5, -1],
[-1, -6, -1]])
为了获得您预期的结果:
In [8]: elems = np.array([[1], [2], [3]])
In [9]: alternates = map_fn(lambda x: (x, -x), elems, dtype=(tf.int64, tf.int64))
In [10]: sess = tf.InteractiveSession()
In [11]: alternates[0].eval()
Out[11]:
array([[1],
[2],
[3]])
In [12]: alternates[1].eval()
Out[12]:
array([[-1],
[-2],
[-3]])
希望这可以帮助您更好地理解map_fn。