我正在尝试使用Tensorflow中的LSTM模块，将时间(t-1)的单热编码字母预测作为输入，输入到时间(t)的下一个状态。我正在做类似以下的事情：

one_hot_dictionary = {0:np.array([1.,0.,0.]),1:np.array([0.,1.,0.]),\                         2:np.array([0.,0.,1.])}state = init_statefor time in xrange(sequence_length):    #运行单元    output, state = rnn_cell.cell(input,state)    #转换输出，使其符合单热编码字母的维度    transformed_val = tf.nn.xw_plus_b(output, W_o, b_o)    #应用softmax进行归一化    softmax_val = tf.nn.softmax(transformed_val)    #然后获取argmax值以确定预测的字母    argmax_val = tf.argmax(softmax_val,1)    #最后，将这些值转换回单热编码，使用数字到numpy数组的字典    input = [one_hot_dictionary[argmax_val[i]] for i in xrange(batch_size)]

然而，我遇到了以下错误：

input = [one_hot_dictionary[argmax_val[i]] for i in xrange(batch_size)]KeyError: <tensorflow.python.framework.ops.Tensor object at 0x7f772991ce50>

有没有办法可以根据argmax值动态创建这些单热编码字母，并使用我的字典将其转换为单热编码字母编码？

回答：

有几种方法可以实现这一点。

最直接的改进是使用tf.gather()操作从单位矩阵中选择行，如下所示：

# 构建矩阵 [[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]]。identity_matrix = tf.diag(tf.ones([3]))for ...:  # 计算预测字母索引的向量。  argmax_val = ...  # 对于`argmax_val`的每个元素，从`identity_matrix`中选择对应的行  # 并将它们连接成矩阵。  input = tf.gather(identity_matrix, argmax_val)

在您展示的只有3个不同字母的情况下，性能可能不是关键问题。然而，如果字母数量（因此identity_matrix的大小）远大于批量大小，您可以通过构建tf.SparseTensor并使用tf.sparse_tensor_to_dense()操作来构建input，从而实现更好的内存效率。