TensorFlow如何插入未知张量？及LSTM模型输入数据序列化实现

首先得搞清楚你说的“插入未知张量”其实分两种情况：一种是往已有张量里插一个形状不确定的张量，另一种是先搞个带未知维度的张量，再往里塞元素。下面分别给你唠唠：

1. 往已有张量里插形状未知的张量 #

如果要插的张量形状是运行时才确定的（比如动态批量的情况），用tf.concat或者tf.insert都能搞定：

• 要是插在首尾，直接用tf.concat拼接就行，比如在第0维（样本维度）插入：

import tensorflow as tf

# 原张量，形状是(None, 6)——样本数未知，每个样本6个特征
original_tensor = tf.placeholder(tf.float32, shape=[None, 6])
# 待插入的张量，同样样本数未知
insert_tensor = tf.placeholder(tf.float32, shape=[None, 6])

# 在原张量前面插入新张量（其实是拼接）
result = tf.concat([insert_tensor, original_tensor], axis=0)

• 要是想插在中间某个位置，用tf.insert就行，哪怕原张量维度是None也没关系，TensorFlow会在运行时自动处理：

# 比如要插在第2个样本的位置
insert_pos = tf.constant(2, dtype=tf.int32)
result = tf.insert(original_tensor, insert_pos, insert_tensor, axis=0)

2. 创建带未知维度的张量并插元素 #

如果是要先搞个动态的容器，逐步往里加元素，那tf.TensorArray绝对是首选——它专门用来处理动态序列，支持随时插入、读取元素：

# 初始化一个空的TensorArray，允许动态扩容
ta = tf.TensorArray(dtype=tf.float32, size=0, dynamic_size=True)
# 插入第一个元素，形状可以是未知的
ta = ta.write(0, tf.placeholder(tf.float32, shape=[None]))
# 再插第二个
ta = ta.write(1, tf.placeholder(tf.float32, shape=[None]))
# 最后转成普通张量
result_tensor = ta.stack()

看你的代码，应该是想把形状(6,6)的输入转换成LSTM要求的**[批量大小，时间步数，特征数]**格式对吧？毕竟LSTM的输入必须是三维的，咱一步一步来：

先看你的原始数据：

input_x = np.array([[1,2,1,2,1,2],[3,4,3,4,3,4],[10,20,1,2,1,2],[30,40,3,4,3,4],[100,200,1,2,1,2],[300,400,3,4,3,4]]) # shape: (6,6)

情况1：把样本按固定时间步分组 #

你设了n_steps=2，如果是想把6个样本分成3组，每组2个时间步，最终形状变成(3,2,6)，那根本不用循环插入，直接用reshape就能搞定，简单又高效：

import numpy as np
import tensorflow as tf

input_x = np.array([[1,2,1,2,1,2],[3,4,3,4,3,4],[10,20,1,2,1,2],[30,40,3,4,3,4],[100,200,1,2,1,2],[300,400,3,4,3,4]])
batch_size = 6
n_steps = 2

# 直接reshape成LSTM需要的格式：(批量数, 时间步数, 特征数)
# 这里批量数是6//2=3，所以用-1让numpy自动计算
lstm_input = input_x.reshape((-1, n_steps, input_x.shape[1]))
print(lstm_input.shape) # 输出 (3, 2, 6)

情况2：构造滑动窗口序列 #

如果你的需求是做滑动窗口（比如每个序列包含连续的2个样本，滑动步长为1），最终形状是(5,2,6)，那可以用numpy的滑动窗口工具：

lstm_input_slide = np.lib.stride_tricks.sliding_window_view(input_x, window_shape=(n_steps, input_x.shape[1])).squeeze(axis=1)
print(lstm_input_slide.shape) # 输出 (5, 2, 6)

情况3：在样本间插入未知张量 #

要是你代码里的np.insert是想在样本之间插一些特殊张量（比如填充值），那可以结合第一个问题的方法来做。比如在每2个样本后插一个全0的张量：

# 要插入的全0张量，形状(1,6)
insert_tensor = np.zeros((1, input_x.shape[1]))
x_copy = input_x.copy()
# 计算插入位置：第2、5、8个位置
insert_positions = [n_steps*(i+1) + i for i in range(int(batch_size/n_steps))]
for pos in insert_positions:
    if pos <= len(x_copy):
        x_copy = np.insert(x_copy, pos, insert_tensor, axis=0)
print(x_copy.shape) # 输出 (9,6)，插了3个全0样本

如果要在TensorFlow里做同样的操作，用tf.insert就行：

x = tf.convert_to_tensor(input_x, dtype=tf.float32)
insert_tensor = tf.zeros((1, tf.shape(x)[1]), dtype=tf.float32)
insert_positions = tf.constant([2,5,8], dtype=tf.int32)
x_copy = tf.insert(x, insert_positions, insert_tensor, axis=0)

内容的提问来源于stack exchange，提问作者rosefun