浅谈tensorflow中张量的提取值和赋值


Posted in Python onJanuary 19, 2020

tf.gather和gather_nd从params中收集数值,tf.scatter_nd 和 tf.scatter_nd_update用updates更新某一张量。严格上说,tf.gather_nd和tf.scatter_nd_update互为逆操作。

已知数值的位置,从张量中提取数值:tf.gather, tf.gather_nd

tf.gather indices每个元素(标量)是params某个axis的索引,tf.gather_nd 中indices最后一个阶对应于索引值。

tf.gather函数

函数原型

gather(
 params,
 indices,
 validate_indices=None,
 name=None,
 axis=0
)

params是要查找的张量,indices是要查找值的索引(int32或int64),axis是查找轴,name是操作名。

如果indices是标量

浅谈tensorflow中张量的提取值和赋值

如果indices是向量

浅谈tensorflow中张量的提取值和赋值

如果indices是高阶张量

浅谈tensorflow中张量的提取值和赋值

返回值:

该函数返回值类型与params相同,具体值是从params中收集过来的,形状为

浅谈tensorflow中张量的提取值和赋值

tf.gather_nd函数

函数原型

gather_nd(
 params,
 indices,
 name=None
)

indices是K阶张量,包含K-1阶的索引值。它最后一阶是索引,最后一阶维度必须小于等于params的秩。indices最后一阶的维数等于params的秩时,我们得到params的某些元素;indices最后一阶的维数小于params的秩时,我们得到params的切片。

浅谈tensorflow中张量的提取值和赋值

输出张量的形状由indices的K-1阶和params索引到的形状拼接而成,如下面

indices.shape[:-1] + params.shape[indices.shape[-1]:]

参数:

params:被收集的张量。

indices:索引张量。必须是以下类型之一:int32,int64。

name:操作的名称(可选)。

返回值:

该函数返回一个张量.与params具有相同的类型。张量值从indices所给定的索引中收集,并且具有这样的形状:

浅谈tensorflow中张量的提取值和赋值

已知赋值的位置,向张量赋值:tf.scatter_nd, tf.scatter_nd_update

tf.scatter_nd对零张量进行赋值,tf.scatter_nd_update对已有可变的张量进行赋值。

tf.scatter_nd函数
scatter_nd(
 indices,
 updates,
 shape,
 name=None
)

创建一个形状为shape的零张量,将updates赋值到indices指定的位置。

indices是整数张量,最内部维度对应于索引。

indices.shape[-1] <= shape.rank

如果indices.shape[-1] = shape.rank,那么indices直接对应到新张量的单个元素。如果indices.shape[-1] < shape.rank,那么indices中每个元素对新张量做切片操作。updates的形状应该如下所示

indices.shape[:-1] + shape[indices.shape[-1]:]

如果我们要把形状为(4,)的updates赋值给形状为(8,)的零张量,如下图所示。

浅谈tensorflow中张量的提取值和赋值

我们需要这样子做

indices = tf.constant([[4], [3], [1], [7]])
updates = tf.constant([9, 10, 11, 12])
shape = tf.constant([8])
scatter = tf.scatter_nd(indices, updates, shape)
with tf.Session() as sess:
 print(sess.run(scatter))

我们得到这样子的张量

[0, 11, 0, 10, 9, 0, 0, 12]

上面代码中,indices的形状是(4,1),updates的形状是(4,),shape的形状是(8,)。

indices.shape[:-1]+shape[indices.shape[-1]:] = (4,)+(,)=(4,)

如果我们要在三阶张量中插入两个切片,如下图所示,则应该像下面代码里所说的那样子做。

浅谈tensorflow中张量的提取值和赋值

indices = tf.constant([[0], [2]])
updates = tf.constant([[[5, 5, 5, 5], [6, 6, 6, 6],
   [7, 7, 7, 7], [8, 8, 8, 8]],
   [[5, 5, 5, 5], [6, 6, 6, 6],
   [7, 7, 7, 7], [8, 8, 8, 8]]])
shape = tf.constant([4, 4, 4])
scatter = tf.scatter_nd(indices, updates, shape)
with tf.Session() as sess:
 print(sess.run(scatter))

indices的形状是(2,1),updates的形状是(2,4,4),shape的形状是(4,4,4)。

indices.shape[:-1]+shape[indices.shape[-1]:]=(2,)+(4,4)=(2,4,4)

我们会得到这样子的张量

[[[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
 [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]],
 [[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
 [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]]

函数参数

indices:Tensor;必须是以下类型之一:int32,int64;索引值张量。

updates:Tensor;分散到输出的更新。

shape:Tensor;必须与indices具有相同的类型;1-d;得到的张量的形状。

name:操作的名称(可选)。

返回值

此函数返回一个Tensor,它与updates有相同的类型;一个有shape形状的新张量,初始化值为0,部分值根据indices用updates进行更新。

tf.scatter_nd_update函数

函数原型

scatter_nd_update(
 ref,
 indices,
 updates,
 use_locking=True,
 name=None
)

scatter_nd_update也是把updates里面的值根据indices赋值到另外一个张量中,与scatter_nd不同的是,它是赋值到ref。

ref是秩为P的张量,indices是秩为Q的张量。

indices是整数类型的张量,必须具有这样的形状浅谈tensorflow中张量的提取值和赋值

indices最内部的维度对应于ref的某个元素或切片。

updates的形状是浅谈tensorflow中张量的提取值和赋值 ,是秩为Q-1+P-K的张量。

如果我们想要把(4,)的向量赋值到(8,)的ref中,我们可以像下面这样子操作。

ref = tf.Variable([1, 2, 3, 4, 5, 6, 7, 8])
indices = tf.constant([[4], [3], [1] ,[7]])
updates = tf.constant([9, 10, 11, 12])
update = tf.scatter_nd_update(ref, indices, updates)
with tf.Session() as sess:
 print sess.run(update)

我们可以得到这样的ref

[1, 11, 3, 10, 9, 6, 7, 12]

函数参数

ref:一个可变的Tensor。

indices:一个 int32 或 int64 Tensor;一个对ref进行索引的张量.

updates:一个Tensor.必须与ref具有相同的类型;更新值张量.

use_locking:可选的bool;如果为True,则赋值将受锁定的保护;否则行为是不确定的,但可能表现出较少的争用.

name:操作的名称(可选).

返回值:

经过更新的ref。

以上这篇浅谈tensorflow中张量的提取值和赋值就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python anaconda 安装 环境变量 升级 以及特殊库安装的方法
Jun 21 Python
答题辅助python代码实现
Jan 16 Python
浅谈python爬虫使用Selenium模拟浏览器行为
Feb 23 Python
PyTorch CNN实战之MNIST手写数字识别示例
May 29 Python
Python WSGI的深入理解
Aug 01 Python
使用pip发布Python程序的方法步骤
Oct 11 Python
Python3.5文件读与写操作经典实例详解
May 01 Python
python实现字典嵌套列表取值
Dec 16 Python
pytorch 实现cross entropy损失函数计算方式
Jan 02 Python
django 实现简单的插入视频
Apr 07 Python
python和php学习哪个更有发展
Jun 17 Python
Pycharm在指定目录下生成文件和删除文件的实现
Dec 28 Python
python通过安装itchat包实现微信自动回复收到的春节祝福
Jan 19 #Python
使用 Python 处理3万多条数据只要几秒钟
Jan 19 #Python
Python openpyxl模块原理及用法解析
Jan 19 #Python
Python imutils 填充图片周边为黑色的实现
Jan 19 #Python
python opencv 实现对图像边缘扩充
Jan 19 #Python
python给图像加上mask,并提取mask区域实例
Jan 19 #Python
python实现在一个画布上画多个子图
Jan 19 #Python
You might like
PHP中路径问题的解决方案
2006/10/09 PHP
Smarty结合Ajax实现无刷新留言本实例
2007/01/02 PHP
比较简单的百度网盘文件直链PHP代码
2013/03/24 PHP
php建立Ftp连接的方法
2015/03/07 PHP
php恢复数组的key为数字序列的方法
2015/04/28 PHP
Yii框架where查询用法实例分析
2019/10/22 PHP
如何用javascript判断录入的日期是否合法
2007/01/08 Javascript
js读写(删除)Cookie实例详解
2013/04/17 Javascript
select、radio表单回显功能实现避免使用jquery载入赋值
2013/06/08 Javascript
ext中store.load跟store.reload的区别示例介绍
2014/06/17 Javascript
easyui combobox开启搜索自动完成功能的实例代码
2016/11/08 Javascript
nodejs socket服务端和客户端简单通信功能
2017/09/14 NodeJs
基于Vue渲染与插件的加载顺序的问题详解
2018/03/05 Javascript
JS实现的获取银行卡号归属地及银行卡类型操作示例
2019/01/08 Javascript
Vue2.0使用嵌套路由实现页面内容切换/公用一级菜单控制页面内容切换(推荐)
2019/05/08 Javascript
vue中的面包屑导航组件实例代码
2019/07/01 Javascript
记一次用ts+vuecli4重构项目的实现
2020/05/21 Javascript
Python字符串格式化
2015/06/15 Python
Python中模块string.py详解
2017/03/12 Python
使用Python爬了4400条淘宝商品数据,竟发现了这些“潜规则”
2018/03/23 Python
pyQT5 实现窗体之间传值的示例
2019/06/20 Python
Django 大文件下载实现过程解析
2019/08/01 Python
什么是python类属性
2020/06/10 Python
Python使用sys.exc_info()方法获取异常信息
2020/07/23 Python
如何基于Python和Flask编写Prometheus监控
2020/11/25 Python
基于HTML5的WebGL经典3D虚拟机房漫游动画
2017/11/15 HTML / CSS
德国黑胶唱片、街头服装及运动鞋网上商店:HHV
2018/08/24 全球购物
N.Peal官网:来自伦敦的高档羊绒品牌
2018/10/29 全球购物
以工厂直接定价的传奇性能:Ben Hogan Golf
2019/01/04 全球购物
科室工作个人总结的自我评价
2013/10/29 职场文书
餐饮业创业计划书范文
2014/01/06 职场文书
职业生涯规划书结束语
2014/04/15 职场文书
2014年重阳节老干部座谈会上的讲话稿
2014/09/25 职场文书
销售员岗位职责范本
2015/04/11 职场文书
入党转正申请书范文
2019/05/20 职场文书
详解Python中的进程和线程
2021/06/23 Python