标签：addition python python-3-x tensorflow matrix
我要添加两个我认为是“重塑”在一起的向量,并得到一个二维矩阵.我期望这里出现某种类型的错误,但没有得到.我想我了解发生了什么,将它们视为水平和垂直都有两个以上的向量集,但我不明白为什么a和b的结果没有不同.如果不是要这么做,为什么还要这么做呢？
import tensorflow as tf
import numpy as np
start_vec = np.array((83,69,45))
a = tf.expand_dims(start_vec, 0)
b = tf.expand_dims(start_vec, 1)
ab_sum = a + b
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
a = sess.run(a)
b = sess.run(b)
ab_sum = sess.run(ab_sum)
print(a)
print(b)
print(ab_sum)
=================================================
[[83 69 45]]
[[83]
[69]
[45]]
[[166 152 128]
[152 138 114]
[128 114 90]]
解决方法:
实际上,这个问题更多地利用了张量流的广播特性,
与numpy(Broadcasting)相同.广播摆脱了张量之间的运算形状必须相同的要求.当然,它还必须满足某些条件.
General Broadcasting Rules:
When operating on two arrays, NumPy
compares their shapes element-wise. It starts with the trailing
dimensions, and works its way forward. Two dimensions are compatible
when1.they are equal, or
2.one of them is 1
一个简单的例子是一维张量乘以标量.
import tensorflow as tf
start_vec = tf.constant((83,69,45))
b = start_vec * 2
with tf.Session() as sess:
print(sess.run(b))
[166 138 90]
回到问题所在,tf.expand_dims()的功能是在指定轴位置将尺寸标注插入张量形状.您的原始数据形状为(3,).当设置轴= 0时,您将获得a = tf.expand_dims(start_vec,0)的形状为(1,3).您将获得b = tf.expand_dims(start_vec,1)的形状为(3,1 ),当您设置的轴= 1时.
通过比较广播规则,可以看到它们满足第二个条件.所以他们的实际操作是
83,83,83 83,69,45
69,69,69 + 83,69,45
45,45,45 83,69,45
标签：addition,python,python-3-x,tensorflow,matrix 来源： https://codeday.me/bug/20191010/1888666.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。