TensorFlow 2如何生成等距分布1值的一维0/1张量

TensorFlow 2 没有直接生成均匀间隔01张量的专用内置函数，可通过基础张量操作组合实现完全可复现的等距脉冲序列，具体实现如下：

基础参数 #

• 总时间步长度 T = 1000
• 脉冲（取值为1的元素）总数 N = 49
• 目标输出形状与原代码保持一致：[1, 1000]

核心实现代码 #

# 生成等距分布的脉冲对应索引，取整后保证位置均匀
indices = tf.cast(tf.linspace(0, T - 1, N), dtype=tf.int32)

# 生成一维01脉冲张量
spike_1d = tf.scatter_nd(
    indices=tf.expand_dims(indices, axis=1),
    updates=tf.ones(shape=(N,), dtype=tf.float32),
    shape=(T,)
)

# 调整为目标形状
inp_spikes = tf.reshape(spike_1d, [1, 1000])

可根据需求调整updates的dtype，生成整型或浮点型的脉冲张量。

自定义固定间隔的简化实现 #

如果需要直接指定每隔x个时间步触发一次脉冲，可直接用tf.range生成索引，无需手动计算脉冲总数：

# 示例：每隔20个时间步触发一次脉冲
step = 20
indices = tf.range(0, T, step)

spike_1d = tf.scatter_nd(
    indices=tf.expand_dims(indices, axis=1),
    updates=tf.ones(shape=(tf.shape(indices)[0],), dtype=tf.float32),
    shape=(T,)
)

inp_spikes = tf.reshape(spike_1d, [1, 1000])

替代实现（基于one_hot） #

可通过tf.one_hot实现相同效果，逻辑更直观：

indices = tf.cast(tf.linspace(0, T - 1, N), dtype=tf.int32)
spike_1d = tf.reduce_sum(tf.one_hot(indices, depth=T), axis=0)
inp_spikes = tf.reshape(spike_1d, [1, 1000])

以上所有实现均无随机操作，输出完全固定，满足实验可复现性要求。

内容的提问来源于stack exchange，提问作者Paul