python - 如何在Tensorflow中实现逐元素一维插值？

我想对Tensorflow中的张量的每个元素进行一维插值。

例如，如果它是矩阵，则可以使用interp1d。

from scipy.interpolate import interp1d
q = np.array([[2, 3], [5, 6]])   # query
x = [1, 3, 5, 7, 9]              # profile x
y = [3, 4, 5, 6, 7]              # profile y
fn = interp1d(x, y)
# fn(q) == [[ 3.5, 4.], [5., 5.5]]

如果我们有张量q，

q = tf.placeholder(shape=[2,2], dtype=tf.float32)

如何获得等效的逐元素1D插值？
有人可以帮忙吗？

最佳答案

我为此使用包装器:

import numpy as np
import tensorflow as tf
from scipy.interpolate import interp1d


x = [1, 3, 5, 7, 9]
y = [3, 4, 5, 6, 7]
intFn = interp1d(x, y)

def fn(m):
    return intFn(m).astype(np.float32)

q = tf.placeholder(shape=[2,2], dtype=tf.float32)
q1 = np.array([[2, 3], [5, 6]]).astype(np.float32)

f1 = tf.py_func(fn, [q], tf.float32)

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    result = sess.run(f1, feed_dict={q:q1})

print(result)

不是最好的解决方案。希望 tensorflow 将在numpy和scipy中实现更多功能...

编辑:

我写了一个可能有用的简单的tensorflow函数。不幸的是，这一次只会做一个值。但是，如果有趣的话，这可能会在...方面有所改进。

def interpolate( dx_T, dy_T, x, name='interpolate' ):

    with tf.variable_scope(name):

        with tf.variable_scope('neighbors'):

            delVals = dx_T - x
            ind_1   = tf.argmax(tf.sign( delVals ))
            ind_0   = ind_1 - 1

        with tf.variable_scope('calculation'):

            value   = tf.cond( x[0] <= dx_T[0],
                              lambda : dy_T[:1],
                              lambda : tf.cond(
                                     x[0] >= dx_T[-1],
                                     lambda : dy_T[-1:],
                                     lambda : (dy_T[ind_0] +                \
                                               (dy_T[ind_1] - dy_T[ind_0])  \
                                               *(x-dx_T[ind_0])/            \
                                               (dx_T[ind_1]-dx_T[ind_0]))
                             ))

        result = tf.multiply(value[0], 1, name='y')

    return result

给定几个张量，这将创建一个合成张量。这是一个示例实现。首先创建一个图形...

tf.reset_default_graph()
with tf.variable_scope('inputs'):
    dx_T = tf.placeholder(dtype=tf.float32, shape=(None,), name='dx')
    dy_T = tf.placeholder(dtype=tf.float32, shape=(None,), name='dy')
    x_T  = tf.placeholder(dtype=tf.float32, shape=(1,), name='inpValue')

y_T  = interpolate( dx_T, dy_T, x_T, name='interpolate' )
init = tf.global_variables_initializer()

现在，您可以像这样使用它:

x = [1, 3, 5, 7, 9]              # profile x
y = [3, 4, 5, 6, 7]              # profile y
q = np.array([[2, 3], [5, 6]])

with tf.Session() as sess:
    sess.run(init)

    for i in q.flatten():
        result = sess.run(y_T,
                    feed_dict={
                        'inputs/dx:0'       : x,
                        'inputs/dy:0'       : y,
                        'inputs/inpValue:0' : np.array([i])
                    })

        print('{:6.3f} -> {}'.format(i, result))

然后您将获得理想的结果...