如何最好地在张量流中实现矩阵掩码操作？

Question

我有一个案例，我需要在 tensorflow 的图像处理应用程序中填充一些漏洞（丢失的数据）。“洞”很容易定位，因为它们是零，而好的数据不是零。我想用随机数据填充漏洞。使用 python numpy 很容易做到这一点，但在 tensorflow 中做到这一点需要一些工作。我想出了一个解决方案，想看看是否有更好或更有效的方法来做同样的事情。我知道 tensorflow 尚不支持更高级的 numpy 类型索引，但有一个函数 tf.gather_nd() 似乎对此很有希望。但是，我无法从文档中得知我想要做什么。如果有人能告诉我如何使用 tf.gather_nd() 来做，我将不胜感激。此外，tf。boolean_mask() 不适用于我正在尝试做的事情，因为它不允许您将输出用作索引。在 python 中，我想做什么：

a = np.ones((2,2))
a[0,0]=a[0,1] = 0
mask = a == 0
a[mask] = np.random.random_sample(a.shape)[mask]
print('new a = ', a)

我最终在 Tensorflow 中做了什么来实现同样的事情（跳过填充数组的步骤）

zeros = tf.zeros(tf.shape(a))  
mask = tf.greater(a,zeros)
mask_n = tf.equal(a,zeros)
mask = tf.cast(mask,tf.float32)
mask_n = tf.cast(mask_n,tf.float32
r = tf.random_uniform(tf.shape(a),minval = 0.0,maxval=1.0,dtype=tf.float32)
r_add = tf.multiply(mask_n,r)
targets = tf.add(tf.multiply(mask,a),r_add)

Answer 1

我认为这三行可能会做你想要的。首先，你做一个面具。然后，您创建随机数据。最后，用随机数据填充掩码值。

mask = tf.equal(a, 0.0)
r = tf.random_uniform(tf.shape(a), minval = 0.0,maxval=1.0,dtype=tf.float32)
targets = tf.where(mask, r, a)