tf.map_fn

Преобразует elems, применяя fn к каждому элементу, не уложенному в 0-й оси. (Устаревшие аргументы)

tf.map_fn(
    fn,
    elems,
    dtype=None,
    parallel_iterations=None,
    back_prop=True,
    swap_memory=False,
    infer_shape=True,
    name=None,
    fn_output_signature=None
)

Используется в блокнотах

См. также tf.scan.

map_fn извлекает elems по оси 0, чтобы получить последовательность элементов; вызывает fn для преобразования каждого элемента; а затем складывает преобразованные значения обратно вместе.

Функции отображения с тензорными входными и выходными данными

Если elems является единственным тензором, а сигнатура fn — tf.Tensor->tf.Tensor, то map_fn(fn, elems) эквивалентно tf.stack([fn(elem) for elem in tf.unstack(elems)]). Пример:

tf.map_fn(fn=lambda t: tf.range(t, t + 3), elems=tf.constant([3, 5, 2]))
<tf.Tensor: shape=(3, 3), dtype=int32, numpy=
  array([[3, 4, 5],
         [5, 6, 7],
         [2, 3, 4]], dtype=int32)>

map_fn(fn, elems).shape = [elems.shape[0]] + fn(elems[0]).shape.

Функции отображения с входными и выходными данными с несколькими аргументами

map_fn также поддерживает функции с входными и выходными данными с несколькими аргументами:

• Если elems является кортежем (или вложенной структурой) тензоров, то все эти тензоры должны иметь одинаковый размер внешнего измерения (num_elems); и fn используется для преобразования каждого кортежа (или структуры) соответствующих срезов из elems. Например, если elems — кортеж (t1, t2, t3), то fn используется для преобразования каждого кортежа срезов (t1[i], t2[i], t3[i]) (где 0 <= i < num_elems).

• Если fn возвращает кортеж (или вложенную структуру) тензоров, то результат формируется путём объединения соответствующих элементов из этих структур.

Указание сигнатуры вывода fn

Если сигнатуры ввода и вывода fn различаются, то сигнатура вывода должна быть указана с помощью fn_output_signature. (Сигнатуры ввода и вывода отличаются, если их структуры, типы данных или типы тензоров не совпадают). Пример:

tf.map_fn(fn=tf.strings.length,  # input & output have different dtypes
          elems=tf.constant(["hello", "moon"]),
          fn_output_signature=tf.int32)
<tf.Tensor: shape=(2,), dtype=int32, numpy=array([5, 4], dtype=int32)>
tf.map_fn(fn=tf.strings.join,  # input & output have different structures
          elems=[tf.constant(['The', 'A']), tf.constant(['Dog', 'Cat'])],
          fn_output_signature=tf.string)
<tf.Tensor: shape=(2,), dtype=string,
 numpy=array([b'TheDog', b'ACat'], dtype=object)>

fn_output_signature можно указать любым из следующих способов:

• Тип tf.DType или tf.TensorSpec (для описания tf.Tensor)
• Тип tf.RaggedTensorSpec (для описания tf.RaggedTensor)
• Тип tf.SparseTensorSpec (для описания tf.sparse.SparseTensor)
• Вложенный кортеж, список или словарь, содержащий вышеперечисленные типы.

Разнородные тензоры

map_fn поддерживает tf.RaggedTensor входные и выходные данные. В частности:

• Если elems — RaggedTensor, то fn будет вызываться с каждой строкой этого разнородного тензора.

  • Если у elems есть только одно разнородное измерение, то значения, передаваемые в fn, будут tf.Tensor.
  • Если у elems есть несколько разнородных измерений, то значения, передаваемые в fn, будут tf.RaggedTensor с одним меньшим разнородным измерением.

• Если результат map_fn должен быть RaggedTensor, то используйте tf.RaggedTensorSpec для указания fn_output_signature.

  • Если fn возвращает tf.Tensor с различными размерами, то используйте tf.RaggedTensorSpec с ragged_rank=0 для объединения их в один разнородный тензор (который будет иметь разнородный ранг = 1).
  • Если fn возвращает tf.RaggedTensor, то используйте tf.RaggedTensorSpec с тем же ragged_rank.

# Example: RaggedTensor input
rt = tf.ragged.constant([[1, 2, 3], [], [4, 5], [6]])
tf.map_fn(tf.reduce_sum, rt, fn_output_signature=tf.int32)
<tf.Tensor: shape=(4,), dtype=int32, numpy=array([6, 0, 9, 6], dtype=int32)>

# Example: RaggedTensor output
elems = tf.constant([3, 5, 0, 2])
tf.map_fn(tf.range, elems,
          fn_output_signature=tf.RaggedTensorSpec(shape=[None],
                                                  dtype=tf.int32))
<tf.RaggedTensor [[0, 1, 2], [0, 1, 2, 3, 4], [], [0, 1]]>

Примечание: map_fn следует использовать только в том случае, если вам нужно отобразить функцию по строкам RaggedTensor. Если вы хотите отобразить функцию по отдельным значениям, используйте:

• tf.ragged.map_flat_values(fn, rt) (если fn выражается операциями TensorFlow)
• rt.with_flat_values(map_fn(fn, rt.flat_values)) (в противном случае)

Например:

rt = tf.ragged.constant([[1, 2, 3], [], [4, 5], [6]])
tf.ragged.map_flat_values(lambda x: x + 2, rt)
<tf.RaggedTensor [[3, 4, 5], [], [6, 7], [8]]>

Разреженные тензоры

map_fn поддерживает tf.sparse.SparseTensor входные и выходные данные. В частности:

• Если elems — SparseTensor, то fn будет вызываться с каждой строкой этого разреженного тензора. В частности, значение, передаваемое в fn, будет tf.sparse.SparseTensor с на одно измерение меньше, чем у elems.

• Если результат map_fn должен быть SparseTensor, то используйте tf.SparseTensorSpec для указания fn_output_signature. Отдельные SparseTensor, возвращённые fn, будут объединены в один SparseTensor с одним дополнительным измерением.

# Example: SparseTensor input
st = tf.sparse.SparseTensor([[0, 0], [2, 0], [2, 1]], [2, 3, 4], [4, 4])
tf.map_fn(tf.sparse.reduce_sum, st, fn_output_signature=tf.int32)
<tf.Tensor: shape=(4,), dtype=int32, numpy=array([2, 0, 7, 0], dtype=int32)>

# Example: SparseTensor output
tf.sparse.to_dense(
    tf.map_fn(tf.sparse.eye, tf.constant([2, 3]),
              fn_output_signature=tf.SparseTensorSpec(None, tf.float32)))
<tf.Tensor: shape=(2, 3, 3), dtype=float32, numpy=
  array([[[1., 0., 0.],
          [0., 1., 0.],
          [0., 0., 0.]],
         [[1., 0., 0.],
          [0., 1., 0.],
          [0., 0., 1.]]], dtype=float32)>

Примечание: map_fn следует использовать только в том случае, если вам нужно отобразить функцию по строкам SparseTensor. Если вы хотите отобразить функцию по ненулевым значениям, используйте:

• Если функция выражается операциями TensorFlow, используйте:

  tf.sparse.SparseTensor(st.indices, fn(st.values), st.dense_shape)
  

• В противном случае, используйте:

  tf.sparse.SparseTensor(st.indices, tf.map_fn(fn, st.values),
                         st.dense_shape)
  

map_fn по сравнению с векторизованными операциями

map_fn применит операции, используемые fn к каждому элементу elems, что приведёт к O(elems.shape[0]) общим операциям. Это несколько смягчается тем фактом, что map_fn может обрабатывать элементы параллельно. Однако преобразование, выраженное с помощью map_fn, обычно менее эффективно, чем эквивалентное преобразование, выраженное с помощью векторизованных операций.

map_fn обычно следует использовать только в одном из следующих случаев:

• Выразить желаемое преобразование с помощью векторизованных операций трудно или дорого.
• fn создаёт большие промежуточные значения, поэтому эквивалентное векторизованное преобразование займёт слишком много памяти.
• Обработка элементов параллельно более эффективна, чем эквивалентное векторизованное преобразование.
• Эффективность преобразования некритична, а использование map_fn более удобочитаемо.

Например, пример, отображающий fn=lambda t: tf.range(t, t + 3) по elems, можно переписать более эффективно с помощью векторизованных операций:

elems = tf.constant([3, 5, 2])
tf.range(3) + tf.expand_dims(elems, 1)
<tf.Tensor: shape=(3, 3), dtype=int32, numpy=
  array([[3, 4, 5],
         [5, 6, 7],
         [2, 3, 4]], dtype=int32)>

В некоторых случаях tf.vectorized_map можно использовать для автоматического преобразования функции в эквивалентную векторизованную форму.

Выполнение в режиме Eager

При выполнении в режиме Eager map_fn не выполняется параллельно, даже если parallel_iterations установлено в значение > 1. Вы всё ещё можете получить преимущества от параллельного выполнения функции, используя декоратор tf.function:

fn=lambda t: tf.range(t, t + 3)
@tf.function
def func(elems):
  return tf.map_fn(fn, elems, parallel_iterations=3)
func(tf.constant([3, 5, 2]))
<tf.Tensor: shape=(3, 3), dtype=int32, numpy=
  array([[3, 4, 5],
         [5, 6, 7],
         [2, 3, 4]], dtype=int32)>

Примечание: если вы используете декоратор tf.function, любой код Python, не относящийся к TensorFlow, который вы могли написать в своей функции, не будет выполняться. См. tf.function для получения дополнительной информации. Рекомендуется отладить без tf.function, но переключиться на него для получения преимуществ от параллельного выполнения map_fn.

>>> elems = np.array([1, 2, 3, 4, 5, 6])
>>> tf.map_fn(lambda x: x * x, elems)
<tf.Tensor: shape=(6,), dtype=int64, numpy=array([ 1,  4,  9, 16, 25, 36])>

elems = (np.array([1, 2, 3]), np.array([-1, 1, -1]))
tf.map_fn(lambda x: x[0] * x[1], elems, fn_output_signature=tf.int64)
<tf.Tensor: shape=(3,), dtype=int64, numpy=array([-1,  2, -3])>

elems = np.array([1, 2, 3])
tf.map_fn(lambda x: (x, -x), elems,
         fn_output_signature=(tf.int64, tf.int64))
(<tf.Tensor: shape=(3,), dtype=int64, numpy=array([1, 2, 3])>,
 <tf.Tensor: shape=(3,), dtype=int64, numpy=array([-1, -2, -3])>)