sequence_expand

查看属性与别名

API属性：声明式编程(静态图)专用API

paddle.fluid.layers.sequence_expand ( x, y, ref_level=-1, name=None ) [源代码]

序列扩张层（Sequence Expand Layer)，根据输入 y 的第 ref_level 层lod对输入 x 进行扩展。 x 的lod level最多为1，若 x 的lod level为1，则 x 的lod大小必须与 y 的第 ref_level 层lod大小相等；若 x 的lod level为0，则 x 的第一维大小必须与 y 第 ref_level 层大小相等。 x 的秩最少为2，当 x 的秩大于2时，将被当作是一个二维张量处理。

注意，该OP的输入 x 可以是Tensor或LodTensor， y 只能是LodTensor。

范例解释如下：

  1. 例1：
  2. 假设两个长度为2的序列[a][b]和[c][d]，欲将其扩展为4个长度为2的序列[a][b]、[a][b]、[c][d]、[c][d]。
  3. 序列[a][b]扩展2次，[c][d]扩展2次，扩展所需依据的lod为[2, 2]，则：
  4. 给定输入一维LoDTensor x
  5.   x.lod  = [[2,        2]]    #表示两个序列的长度为2，为了便于理解这里用基于长度lod表示
  6.   x.data = [[a], [b], [c], [d]]
  7.   x.dims = [4, 1]
  8. 和输入 y
  9.   y.lod = [[2,    2],     #第0层lod，指定按该层扩展，表示分别扩展2次，为了便于理解这里用基于长度lod表示
  10.            [3, 3, 1, 1]]  #第1层lod，注意，因为指定ref_level为0，所以这一层与运算无关
  11. 指定 ref_level = 0，依据y的第0层lod进行扩展，
  13. 经过sequence_expand，输出为1级LoDTensor out
  14.   out.lod =  [[0,        2,        4,        6,      8]]  #基于偏移的lod，等价于基于长度的[[2, 2, 2, 2]]
  15.   out.data = [[a], [b], [a], [b], [c], [d], [c], [d]]
  16.   out.dims = [8, 1]
  1. 例2：
  2. 假设有3个长度维1的序列[a]、[b]、[c]，现在要将其扩展为长度是2、0、3的序列[a][a]、[c][c][c]。
  3. 显然，扩展后的序列lod为[2, 0, 3]，则：
  4. 给定输入一维LoDTensor x
  5.   x.data = [[a], [b], [c]]
  6.   x.dims = [3, 1]
  7. 和输入 y
  8.   y.lod = [[2, 0, 3]]
  9. 默认 ref_level = -1
  11. 经过sequence_expand，输出为1级LoDTensor out
  12.   out.data = [[a], [a], [c], [c], [c]]
  13.   out.dims = [5, 1]

参数

  • x (Variable) - 输入变量，维度为

    sequence_expand - 图1

    ，lod level至多1的二维Tensor或LoDTensor。数据类型支持int32，int64，float32或float64。

  • y (Variable) - 输入变量，lod level至少为1的LoDTensor。数据类型不限。
  • ref_level (int，可选) - 扩展 x 所依据的 y 的lod层。默认值-1，表示lod的最后一层。
  • name (str，可选) - 具体用法请参见 Name ，一般无需设置，默认值为None。

返回

扩展变量，维度为

sequence_expand - 图2

的LoDTensor，N由输入 x 和 y 的lod共同决定。数据类型与输入 x 一致。

返回类型

Variable

代码示例

  1. import paddle.fluid as fluid
  2. import paddle.fluid.layers as layers
  3. import numpy as np
  5. x = fluid.data(name='x', shape=[1], dtype='float32')
  6. y = fluid.data(name='y', shape=[1],
  7.              dtype='float32', lod_level=1)
  8. out = layers.sequence_expand(x=x, y=y, ref_level=0)
  10. exe = fluid.Executor(fluid.CPUPlace())
  11. place = fluid.CPUPlace()
  13. np_data = np.array([[1], [2], [3], [4]]).astype('float32')
  14. x_lod_tensor = fluid.create_lod_tensor(np_data, [[2, 2]], place)
  15. print(x_lod_tensor)
  16. #lod: [[0, 2, 4]]
  17. #    dim: 4, 1
  18. #    layout: NCHW
  19. #    dtype: float
  20. #    data: [1 2 3 4]
  22. y_lod_tensor = fluid.create_random_int_lodtensor([[2, 2], [3,3,1,1]], [1],
  23.                                                  place, low=0, high=1)
  24. print(y_lod_tensor)
  25. #lod: [[0, 2, 4][0, 3, 6, 7, 8]]
  26. #    dim: 8, 1
  27. #    layout: NCHW
  28. #    dtype: int64_t
  29. #    data: [0 0 1 1 1 1 1 0]
  31. out_main = exe.run(fluid.default_main_program(),
  32.                   feed={'x': x_lod_tensor, 'y': y_lod_tensor},
  33.                   fetch_list=[out], return_numpy=False)
  34. print(out_main[0])
  35. #lod: [[0, 2, 4, 6, 8]]
  36. #    dim: 8, 1
  37. #    layout: NCHW
  38. #    dtype: float
  39. #    data: [1 2 1 2 3 4 3 4]