问在TensorFlow中通过对单个向量进行成对比较来生成矩阵
EN

Stack Overflow用户

提问于 2018-03-16 20:40:24

回答 3查看 1.5K关注 0票数 4

我有一个1d向量，并希望在TensorFlow中根据向量的成对比较生成一个矩阵。我需要将向量中的每个元素与所有其他元素(包括其自身)进行比较，如果它们相同，则相应的矩阵值将为1，否则为-1。例如，有一个向量为[1,2,3,4,1]，那么所需的矩阵为

[[1,-1,-1,-1,1],
 [-1,1,-1,-1,-1],
 [-1,-1,1,-1,-1],
 [-1,-1,-1,1,-1],
 [1,-1,-1,-1,1]].

问题是如何在TensorFlow中生成这样的矩阵。

pairwise

python

numpy

matrix

tensorflow

腾讯云OCR文字识别特惠

文字识别限时抢购，热门产品低至14.9元

回答 3

Stack Overflow用户

发布于 2018-03-16 21:26:21

我不知道TensorFlow是否有类似的内置方法，但在NumPy中有一种非常简单的方法。它的工作原理是获取元素的所有乘积，并挑选出两个元素x和y的乘积等于x ** 2.0的位置。

给定一个向量

v = np.array((1, 2, 3, 4, 1)).reshape(-1, 1) # shape == (5, 1)

您可以通过执行以下操作来构建所需的“相似性”矩阵：

sim = np.where(v.dot(v.T) == np.square(v), 1, -1)

sim将如下所示：

array([[ 1, -1, -1, -1,  1],
       [-1,  1, -1, -1, -1],
       [-1, -1,  1, -1, -1],
       [-1, -1, -1,  1, -1],
       [ 1, -1, -1, -1,  1]])

票数 1

Stack Overflow用户

发布于 2018-04-18 19:35:41

想法

要计算成对op，您可以执行以下技巧:将向量展开为两个二维向量：[n, 1]和[1, n]，并对它们应用op。由于广播，它将为向量内的所有对生成填充了op结果的[n, n]矩阵。

在您的例子中，op是一个比较，但它可以是任何二元运算。

Tensorflow

为了说明，这里有两个一行程序。第一个生成布尔成对矩阵，第二个生成-1和1的矩阵(如您所要求的)。

import tensorflow as tf

tf.InteractiveSession()
v = tf.constant([1, 2, 3, 4, 1])

x = tf.equal(v[:, tf.newaxis], v[tf.newaxis, :])
print(x.eval())

x = 1 - 2 * tf.cast(x, tf.float32)
print(x.eval())

结果：

[[ True False False False  True]
 [False  True False False False]
 [False False  True False False]
 [False False False  True False]
 [ True False False False  True]]
[[ 1 -1 -1 -1  1]
 [-1  1 -1 -1 -1]
 [-1 -1  1 -1 -1]
 [-1 -1 -1  1 -1]
 [ 1 -1 -1 -1  1]]

Numpy

使用np.where时，numpy中的相同内容甚至更简单

import numpy as np

v = np.array([1, 2, 3, 4, 1])

x = v[:, np.newaxis] == v[np.newaxis, :]
print(x)

x = np.where(x, 1, -1)
print(x)

输出是相同的：

[[ True False False False  True]
 [False  True False False False]
 [False False  True False False]
 [False False False  True False]
 [ True False False False  True]]
[[ 1 -1 -1 -1  1]
 [-1  1 -1 -1 -1]
 [-1 -1  1 -1 -1]
 [-1 -1 -1  1 -1]
 [ 1 -1 -1 -1  1]]

票数 1

Stack Overflow用户

发布于 2018-04-18 19:59:47

这里有一个简单的方法：

In [123]: x = tf.placeholder(tf.float32, shape=(1, 5))

In [124]: z = tf.equal(tf.matmul(tf.transpose(x), x), tf.square(x))

In [125]: y = 2 * tf.cast(z, tf.int32) - 1

In [126]: sess = tf.Session()

In [127]: sess.run(y, feed_dict={x: np.array([1, 2, 3, 4, 1])[None, :]})
Out[127]: 
array([[ 1, -1, -1, -1,  1],
       [-1,  1, -1, -1, -1],
       [-1, -1,  1, -1, -1],
       [-1, -1, -1,  1, -1],
       [ 1, -1, -1, -1,  1]], dtype=int32)