la réplication d'une ligne à l'aide du tenseur de tf.tuile?

J'ai un tenseur qui est simplement un vecteur, vector = [0.5 0.4] et tf.forme indique qu'il a la forme=(1,), je voudrais reproduire le vecteur m reprises et ont la forme de [m, 2], alors, pour m = 2, matrix = [[0.5 0.4], [0.5 0.4]]. Comment puis-je obtenir qu'à l'aide de tf.tuile?

InformationsquelleAutor Yang | 2017-07-26
  1. 14

    Prendre le suivant, vec est un vecteur, multiply est votre m, le nombre de fois à répéter le vecteur. tf.tile est effectuée sur le vecteur et puis, à l'aide de tf.reshape il est reformée dans la structure souhaitée.

    import tensorflow as tf

vec = tf.constant([1, 2, 3, 4])
multiply = tf.constant([3])

matrix = tf.reshape(tf.tile(vec, multiply), [ multiply[0], tf.shape(vec)[0]])
with tf.Session() as sess:
    print(sess.run([matrix]))

    Il en résulte:

    [array([[1, 2, 3, 4],
       [1, 2, 3, 4],
       [1, 2, 3, 4]], dtype=int32)]
    • pourquoi numpy.la tuile n'est pas égale à tf.tuile?
    • tf.tile n'est pas le même que np.tile, il est facile de faire une erreur avec la tuile et de la remodeler, une meilleure utilisation explicite des options comme tf.stack ou matmul.
    InformationsquelleAutor amo-ej1
  2. 9

    Le même effet peut être obtenu en multipliant un ones matrix avec vec et laissez broadcasting faire l'affaire:

    tf.ceux([m, 1]) * vec

    vec = tf.constant([1., 2., 3., 4.])
m = 3
matrix = tf.ones([m, 1]) * vec

with tf.Session() as sess:
   print(sess.run([matrix]))

#Output: [[1., 2., 3., 4.],
#         [1., 2., 3., 4.],
#         [1., 2., 3., 4.]]
    InformationsquelleAutor vijay m
  3. 4

    réplication /duplication d'un tenseur (que ce soit un vecteur 1D, 2D matrice, ou de toute dimension) peut être fait par la création d'une liste de copies de ce tenseur (pur python), et ensuite à l'aide de tf.la pile d'avoir à la fois des mesures dans un (court) de la ligne.
    Voici un exemple de la duplication d'un 2D Tenseur:

    import tensorflow as tf
tf.enable_eager_execution()

a = tf.constant([[1,2,3],[4,5,6]])  # shape=(2,3)
a_stack = tf.stack([a] * 4)  # shape=(4,2,3)

print(a)
print(a_stack)

    "[a]*4" crée une liste contenant quatre copies de la même tenseur (c'est de la pure python).
    tf.stack, puis les empiler les uns après les autres, sur le premier axe (axis=0)

    En mode graphique:

    import tensorflow as tf

a = tf.constant([[1,2,3],[4,5,6]])  # shape=(2,3)
a_stack = tf.stack([a] * 4)  # shape=(4,2,3)

sess = tf.Session()
print('original tensor:')
print(sess.run(a))
print('stacked tensor:')
print(sess.run(a_stack))
    InformationsquelleAutor Ran Feldesh
  4. 0

    Je suppose que le principal cas d'utilisation de cette réplication est pour correspondre à la dimension de deux tenseurs (que vous voulez multiplier?).

    Dans ce cas, il existe une solution beaucoup plus simple. Laissez le tensorflow faire le travail de la dimensionnalité de correspondance pour vous:

    import tensorflow as tf
tf.enable_eager_execution()

a = tf.constant([1, 2, 3])  # shape=(3)
b = tf.constant([[[1, 3], [1, 3], [1, 3]], [[2, 0], [2, 0], [2, 0]]])  # shape=(2, 3, 2)

print(tf.einsum('ijk,j->ijk', b, a))

# OUTPUT:
# tf.Tensor(
# [[[1 3]
#   [2 6]
#   [3 9]]
# 
#  [[2 0]
#   [4 0]
#   [6 0]]], shape=(2, 3, 2), dtype=int32)

    Comme vous pouvez le voir, il peut fonctionner pour beaucoup de situations plus complexes: lorsque vous avez besoin de se répliquer sur le premier et le dernier dimensions, lorsque vous travaillez avec des formes plus complexes, etc. Tout ce que vous devez faire est de correspondre aux indices dans la chaîne de caractères de la description (au-dessus de nous adapter à la dimension de l' a, étiquetés j avec la deuxième dimension de la b (ijk).

    Un autre exemple de cas d'utilisation:
    J'ai un état par des neurones, et depuis nous simulons dans les lots, cet état a dimensionnalité (n_batch, n_neuron). - Je besoin pour utiliser cet état pour moduler les connexions entre les neurones (poids des synapses), qui dans mon cas a dimension supplémentaire de sorte qu'ils ont la dimensionnalité (n_neuron, n_neuron, n_X).

    Au lieu de faire un gâchis avec le carrelage, remodelant, etc. Je peux l'écrire en une seule ligne comme:

    W_modulated = tf.einsum('ijk,bi->bijk', self.W, ux)
    InformationsquelleAutor dsalaj
  5. 0

    Une réponse sans remodelage:

    vec = tf.constant([[1, 2, 3, 4]])
multiply = tf.constant([3, 1])
tf.tile(vec, multiply)
    InformationsquelleAutor WolfNiu