使用tf.gather().

单例案例

在下面的示例中，我们从矩阵中选择了可变数量的嵌入向量embedding。选择索引向量user可以是可变长度的。然后我们计算平均嵌入。

使用 tf.Graph().as_default()：
    嵌入 = tf.placeholder(shape=[10,3], dtype=tf.float32)
    用户 = tf.placeholder（形状=无，dtype=tf.int32）
    selected = tf.gather（嵌入，用户）
    平均值 = tf.reduce_mean（选定，轴 = 0）

    使用 tf.Session() 作为 sess：
        sess.run(tf.global_variables_initializer())
        embedding_ = np.random.randn(10,3)
        user_ = [1,3,5]
        打印(sess.run(平均, feed_dict={embedding:embedding_, user:user_}))
        打印（np.mean（嵌入_[用户_]，轴=0））

小批量中的多个实例

您可以手动将第一个向量指定embedding为零向量，并用 0 修补上述selection向量。例如

使用 tf.Graph().as_default()：
    嵌入 = tf.placeholder(shape=[10,3], dtype=tf.float32)
    user = tf.placeholder(shape=[None, None], dtype=tf.int32)
    selected = tf.gather（嵌入，用户）
    non_zero_count = tf.cast(tf.count_nonzero(user, axis=1), tf.float32)
    embedding_sum = tf.reduce_sum(selected, axis=1)
    平均值 = embedding_sum / tf.expand_dims(non_zero_count, axis=1)

    使用 tf.Session() 作为 sess：
        sess.run(tf.global_variables_initializer())
        embedding_ = np.concatenate([np.zeros((1,3)),np.random.randn(9,3)],axis=0)
        user_ = [[3,5,7,0], [1,2,0,0]]
        打印(sess.run(平均, feed_dict={embedding:embedding_, user:user_}))
        print(np.sum([embedding_[i] for i in user_], axis=1) / np.atleast_2d(np.count_nonzero(user_, axis=1)).T)

tf.gather()即使embedding是可训练变量而不是占位符，您也可以这样使用。