将张量组织成一批动态形状的张量

我有以下情况：

• 我想使用 Tensorflow Serving 部署人脸检测器模型：https://www.tensorflow.org/serving/ https://www.tensorflow.org/serving/.
• 在 Tensorflow Serving 中，有一个命令行选项，称为--enable_batching。这会导致模型服务器自动批处理请求以最大化吞吐量。我希望启用此功能。
• 我的模型接受一组图像（称为images)，这是一个形状张量(batch_size, 640, 480, 3).
• 该模型有两个输出：(number_of_faces, 4) and (number_of_faces,)。第一个输出将被称为faces。最后的输出，我们可以称之为分区是原始批次中相应面的索引。例如，如果我传入一批 4 个images并得到 7faces，那么我可能有这个张量[0, 0, 1, 2, 2, 2, 3]。前两张脸对应第一张图像，第三张脸对应第二张图像，第三张图像有 3 张脸，依此类推。

我的问题是这样的：

• 为了--enable_batching标志工作，我的模型的输出需要具有与输入相同的第 0 维。也就是说，我需要一个具有以下形状的张量：(batch_size, ...)。我想这是为了模型服务器可以知道将批次中的每个输出发送到哪个 grpc 连接。
• 我想要做的是将面部检测器的输出张量从这个形状转换为(number_of_faces, 4)到这个形状(batch_size, None, 4)。也就是说，批次数组，其中每个批次可以具有可变数量的面孔（例如，批次中的一个图像可能没有面孔，而另一个图像可能有 3 个面孔）。

我尝试过的：

• tf.dynamic_partition。从表面上看，这个功能看起来很完美。然而，当我意识到这一点后，我遇到了困难。num_partitions范围cannot是一个张量，只能是一个整数：

  tensorflow_serving_output = tf.dynamic_partition(faces, partitions, batch_size)

If the tf.dynamic_partition函数接受张量值num_partition，那么看来我的问题就解决了。然而，我又回到了第一点，因为事实并非如此。

感谢大家的帮助！如果有任何不清楚的地方请告诉我

附：这是预期过程的直观表示：

我最终找到了解决这个问题的方法TensorArray and tf.while_loop:

def batch_reconstructor(tensor, partitions, batch_size):
    """
    Take a tensor of shape (batch_size, 4) and a 1-D partitions tensor as well as the scalar batch_size
    And reconstruct a TensorArray that preserves the original batching

    From the partitions, we can get the maximum amount of tensors within a batch. This will inform the padding we need to use.
    Params:
        - tensor: The tensor to convert to a batch
        - partitions: A list of batch indices. The tensor at position i corresponds to batch # partitions[i]
    """
    tfarr = tf.TensorArray(tf.int32, size=batch_size, infer_shape=False)

    _, _, count = tf.unique_with_counts(partitions)
    maximum_tensor_size = tf.cast(tf.reduce_max(count), tf.int32)

    padding_tensor_index = tf.cast(tf.gather(tf.shape(tensor), 0), tf.int32)

    padding_tensor = tf.expand_dims(tf.cast(tf.fill([4], -1), tf.float32), axis=0) # fill with [-1, -1, -1, -1]
    tensor = tf.concat([tensor, padding_tensor], axis=0)

    def cond(i, acc):
        return tf.less(i, batch_size)

    def body(i, acc):
        partition_indices = tf.reshape(tf.cast(tf.where(tf.equal(partitions, i)), tf.int32), [-1])

        partition_size = tf.gather(tf.shape(partition_indices), 0)

        # concat the partition_indices with padding_size * padding_tensor_index
        padding_size = tf.subtract(maximum_tensor_size, partition_size)
        padding_indices = tf.reshape(tf.fill([padding_size], padding_tensor_index), [-1])

        partition_indices = tf.concat([partition_indices, padding_indices], axis=0)

        return (tf.add(i, 1), acc.write(i, tf.gather(tensor, partition_indices)))

    _, reconstructed = tf.while_loop(
        cond,
        body,
        (tf.constant(0), tfarr),
        name='batch_reconstructor'
    )

    reconstructed = reconstructed.stack()
    return reconstructed