值误差张量必须是与张量相同的图形，但维度似乎是可以的
。
值误差张量是在机器学习中用于衡量模型预测结果与真实标签之间差异的一种数据结构。它通常用于训练模型，通过最小化误差来优化模型的参数。
与张量相同的图形意味着值误差张量的形状（shape）与输入张量的形状相同。在深度学习中，输入张量通常表示模型的输入数据，例如图像、文本或音频等。因此，值误差张量的形状应与输入数据的形状相匹配，以便进行有效的误差计算和梯度传播。
然而，维度（dimension）在值误差张量中是可以灵活变化的。维度指的是张量的阶数，即张量中的轴数。例如，二维张量具有两个维度，三维张量具有三个维度，以此类推。在值误差张量中，维度可以根据具体的任务和模型设计进行调整。
对于值误差张量的应用场景，它广泛用于各种机器学习任务，包括图像分类、目标检测、语音识别、自然语言处理等。通过计算模型预测结果与真实标签之间的误差，可以评估模型的性能并进行参数优化。
腾讯云提供了一系列与机器学习和深度学习相关的产品和服务，可以帮助开发者进行模型训练和推理部署。其中，推荐的产品包括：
- 腾讯云AI Lab：提供了丰富的机器学习和深度学习算法库，支持快速构建和训练模型。 链接：https://cloud.tencent.com/product/ai-lab
- 腾讯云机器学习平台（Tencent Machine Learning Platform，TMLP）：提供了完整的机器学习工作流程，包括数据准备、模型训练、模型评估和模型部署等功能。 链接：https://cloud.tencent.com/product/tmplp
- 腾讯云AI推理（Tencent AI Inference，TAI）：提供了高性能的深度学习推理服务，支持常见的深度学习框架和模型。 链接：https://cloud.tencent.com/product/tai
通过使用腾讯云的相关产品和服务，开发者可以更加便捷地进行机器学习和深度学习任务的开发和部署。
相关·内容
我试图在yolov7中进行推断，并将640x640的默认维度更改为300x300。虽然模型权值是根据其默认维数进行训练的。我们能改变它吗，我在改变，但它是抛出张量误差？
path = 'image.png'
image = cv2.imread(path)
shape = image.shape
plt.imshow(image)
plt.show()
shape = image.shape
image = letterbox(image, 300, stride=64, auto=True)[0]
image_ = image.copy()
浏览 6提问于2022-09-28得票数 0
我有一个LongTensor，它包含来自另一个张量的所有指数。如何将此LongTensor转换为可用作选择掩码的ByteTensor。
假设，
th> imageLabels:size()
17549
3
[torch.LongStorage of size 2]
[0.0001s]
th> indices
1
22
32
[torch.LongTensor of size 3]
我需要一种使用imageLabels表示法
浏览 5提问于2016-07-15得票数 0
回答已采纳
2回答
在TensorFlow中，我有一个形状为(?, 14, 14, 512)的张量，h。
我通过做tf.reshape(h, [-1, 196, 512])来重塑
这导致了形状为(?, 196, 512)的张量。太完美了。我需要对numpy数组执行相同的操作。
我在磁盘上保存了一个巨大的多维NumPy数组。它看起来是这样的：
features = numpy.ndarray([3000, 14, 14, 2048], dtype=np.float32)
并且需要它的形状：
[3000, 196, 2048]
我如何才能进行这种转换，从而不会丢失信息？
会是numpy.reshape(feature
浏览 1提问于2018-01-10得票数 0
我必须用大小(b，c，h，w)的两个张量(c)来规范尺寸的张量，这两个张量代表了各自的均值和标准差。
我想不出如何将形状张量乘以torch.Size(1，3,128,128)和形状torch.Size(3)的张量。
我想要完成的是:取小张量的第一个元素，用它乘以大张量的第一个128x128部分。对第二个元素和第二个128x128张量这样做。
def normalize(img, mean, std):
""" Normalizes an image tensor.
# Parameters:
@img, torch.tensor of
浏览 5提问于2022-10-29得票数 0
回答已采纳
我想为一个形状为(batch_size=?, height, width, channel)的张量的二维实现(batch_size=?, height, width, channel)。
但是tf.nn.softmax()似乎不可能同时接收两个轴。使用tf.softmax(tensor, axis=[1, 2])会提高tensorflow的轴向误差。
如何在矢量化模式下以优雅的方式实现这一功能？thx :D
浏览 0提问于2019-03-16得票数 1
回答已采纳
2回答
我有个Numpy张量器 X = np.arange(64).reshape((4,4,4)) 我想要获取这个张量的第一维的2,3,4项，你可以这样做， Y = X[[1,2,3],:,:] 这是不是比显式地写出索引1,2,3更简单的方式呢？我尝试了像1，：这样的东西，它给我一个错误。 上下文:对于我的实际应用程序，张量的形状类似于(30000,100,100)。我想抓住这个张量的最后一个(10000,100,100)到(30000,100,100)。
浏览 14提问于2020-10-02得票数 0
回答已采纳
minibatch = torch.Tensor(5, 2, 3,5)
m = nn.View(-1):setNumInputDims(1)
m:forward(minibatch)
给出了一个大小的张量
30x5
m = nn.View(-1):setNumInputDims(3)
m:forward(minibatch)
给出了一个大小的张量
5 x 30
m = nn.View(-1):setNumInputDims(2)
m:forward(minibatch)
给出了一个大小的张量
10 x 15
怎么一回事？我不明白为什么我会得到这样的尺寸我不认为我理解它
浏览 1提问于2017-03-15得票数 2
我在PyTorch中发现了一行用于将3D张量简化为2D张量的代码。3D张量x的大小为torch.Size([500, 50, 1])，下面这行代码：
x = x[lengths - 1, range(len(lengths))]
用于将x简化为大小为torch.Size([50, 1])的2D张量。lengths也是包含值的shape torch.Size([50])的张量。
有谁能解释一下这是怎么工作的吗？谢谢。
浏览 1提问于2020-02-13得票数 3
1回答
我在Keras中定义了加权均方误差如下：
def weighted_mse(yTrue,yPred):
data_weights = [w0,w1,w2,w3]
data_weights_np = np.asarray(data_weights, np.float32)
weights = tf.convert_to_tensor(data_weights_np, np.float32)
return K.mean(weights*K.square(yTrue-yPred))
我给出了每个预测的权重列表。这些预测是成形的，例如：(25,4)。这是通过维数4的最终
浏览 1提问于2018-10-24得票数 4
最近我一直在学习张量流，我编写了一些机器学习程序，但是，我想知道如何在单个输入上测试模型并接收预测，而不仅仅是像使用model.fit()函数那样在大量数据上评估模型的准确性。我还想知道如何在脚本中实现模型，例如，收集数据并将其自动输入模型以获得预测，然后在图形上绘制结果。
提前谢谢。
浏览 1提问于2022-08-10得票数 0
1回答
我是Keras的新手(对TF来说也是如此)，但是我发现输入层的形状定义非常混乱。
因此，在示例中，当我们有长度为20的一维向量作为输入时，形状定义为
...Input(shape=(20,)...)
当需要为定义灰度图像的2D张量时，它被定义为：
...Input(shape=(28, 28, 1)...)
所以我的问题是为什么张量不被定义为(20)和(28, 28)？为什么在第一种情况下，第二个维度被添加并保持为空？同样在第二，必须定义频道的数量？
我知道这取决于层，所以Conv1D，稠密还是Conv2D都有不同的形状，但是第一个参数似乎是隐式的？
根据的说法，密集需求是(batch_siz
浏览 4提问于2017-09-10得票数 4
回答已采纳
1回答
我正在使用Pytorch尝试创建一个四维张量(二进制掩码)，使用三维张量的“堆栈”，每个张量包含二进制掩码。
三维张量具有在704宽和1080高的二进制掩模中的一些分割对象的n个实例。
假设我有三个这样的三维张量。它们的大小都是n, 704 , 1080，其中n是帧的单个掩码(因此，单个二进制掩码)的数量，704是高度，1080是宽度：
t1.size = torch.Size([9, 704, 1280])
t2.size = torch.Size([12, 704, 1280])
t3.size = torch.Size([10, 704, 1280])
我想通过添加第四个维度来创建它们的
浏览 1提问于2020-04-28得票数 0
1回答
.size of torch.Size([2272, 161])有两个张量。我想得到他们之间的均方误差。但是，我希望沿着161个通道中的每个通道，这样我的错误张量就有一个.size of torch.Size([161])。我怎样才能做到这一点？
torch.nn.MSELoss似乎不允许我指定维度。
浏览 3提问于2020-04-01得票数 8
回答已采纳
对于Keras的平均池层，我有点困惑。声明如下：
AveragePooling1D:时态数据的平均池。
参数
pool_size:整数，平均池窗口的大小。步幅:整数，或无。缩小规模的因素。2将把输入减少一半。如果没有，则默认为pool_size。填充物：“有效”或“相同”之一(不区分大小写)。data_format:字符串，channels_last (默认)或channels_first之一。输入中尺寸的顺序。
channels_last对应于带有形状的输入(批处理、步骤、特性)，而channels_first对应于带有形状的输入(批处理、特性、步骤)。
输入形状
如果data_forma
浏览 0提问于2019-02-02得票数 6
回答已采纳
我需要张量的形状，除非我需要-1 \f25 feature_size _size//2而不是-1\f25 feature_size//2
我目前使用的代码是
_, half_output = tf.split(output,2,axis=-1)
half_shape = tf.shape(half_output)
这是有效的，但它是难以置信的不优雅。我不需要额外的一半张量的副本，我只需要那个形状。我试过用其他方法来做这件事，但是除了这个bosh解决方案之外，什么都没有起作用。
有没有人知道一种简单的方法？
浏览 2提问于2017-11-21得票数 0
我试图评估单个2D测试样本的MSE损失，在Keras中使用一个自动编码器(AE)，一旦模型被训练，我很惊讶当我调用Keras内置函数来获取单个样本的丢失时，它会返回2D张量。这意味着损失函数计算每个样本的每个像素损失，而不是每个样本计算一个损失(?)。为了非常清楚，我期望MSE将所有像素上计算的平方误差的平均值与每个2D样本相关联(正如我在这个上所读到的)。
由于在使用.predict()和.evaluate()训练我的AE之后，每个测试样本没有得到一个标量MSE错误(也许我也遗漏了一些东西)，所以我继续尝试直接使用keras.losses.mean_squared_error()，逐个样本。
浏览 0提问于2019-08-19得票数 3
回答已采纳
下面的代码(修改后的tensorflow示例)产生错误“所有输入张量必须具有相同的等级。”tf.linalg.LinearOperatorTridiag的多项运算也给出了类似的误差。我需要在Keras层中将输入乘以三对角矩阵，由于该层输入中的额外批量维度，张量的等级会有所不同。有什么已知的实际解决方案吗？
import tensorflow as tf
superdiag = tf.constant([-1, -1, 0], dtype=tf.float64)
maindiag = tf.constant([2, 2, 2], dtype=tf.float64)
subdiag = tf.c
浏览 7提问于2020-05-13得票数 0
我正在尝试使用Tensorflow C API来运行与Deeplab图的会话。Deeplab的冰冻图表，在城市景观上进行了预先训练，可从此处下载：http://download.tensorflow.org/models/deeplabv3_mnv2_cityscapes_train_2018_02_05.tar.gz 当我使用python运行时，我得到以下分段输出： ? 通过python行tensors = [n.values() for n in tf.get_default_graph().get_operations()]打印出图形的所有张量，我发现输入张量的维度是{1，?，?,
浏览 62提问于2019-08-31得票数 0
火炬中的全连接层(nn.Linear)是如何应用于“附加尺寸”的？说，它可以应用于将张量(N,*,in_features)连接到(N,*,out_features)，其中N在批处理中的示例数中，因此它是不相关的，而*是那些“附加”维度。这是否意味着使用附加维度中的所有可能的切片来训练单层，还是为每个切片或其他不同的部分训练单独的层？
浏览 0提问于2019-01-30得票数 3
回答已采纳
我有名为"k1“的张量，它的形状是3,1,1,9，还有p1张量，形状是3,7,9,9，我想知道下面这条线是做什么的？
p1 = p1 .masked_fill(k1== 0, float("-1e30"))
浏览 0提问于2021-11-13得票数 0
1回答
运行CTC损失函数
、、、、
我想尝试一下莎士比亚数据集上的CTC损失函数，在计算损失时，预测的张量形状是(64,100，65)，这与标签形状(64,100 )不匹配。所以我用一些数学来转换维数，但有一个错误。
码
def loss(labels, logits):
return tf.keras.losses.categorical_crossentropy(labels, logits)
example_batch_loss = loss(labels=target_example_batch, logits=tf.math.argmax(tf.convert_to_tensor(example_batch_p
浏览 0提问于2020-08-18得票数 0
1回答
角点中一维卷积网络的输入维数
、、、、
真的很难理解角星中卷积的一维的输入维数：
输入形状
具有形状的三维张量：(样本，台阶，input_dim)。
输出形状
具有形状的三维张量：(样本，new_steps，nb_filter)。由于填充，步骤值可能已经更改。
我希望我的网络接受一个时间序列的价格(101，顺序)和输出4个概率。我目前的非卷积网络做得相当好(训练集为28000)，如下所示：
standardModel = Sequential()
standardModel.add(Dense(input_dim=101, output_dim=100, W_regularizer=l2(0.5), activation='
浏览 1提问于2016-07-29得票数 25
回答已采纳
2回答
我想用带角的LSTM神经网络来预测时间序列的组，我在使模型与我想要的匹配方面遇到了困难。我的数据的维度如下：
输入张量：(data length, number of series to train, time steps to look back)
输出张量：(data length, number of series to forecast, time steps to look ahead)
注:我想保持尺寸完全一样，没有转位。
再现问题的虚拟数据代码是：
import numpy as np
from keras.models import Sequential
from ke
浏览 5提问于2016-10-17得票数 4
我有一个具有形状的float32张量的Keras图(?，224,224，3)，我想导出到Tensorflow服务，以便用RESTful进行预测。问题是我不能输入张量，而是编码b64字符串，因为这是REST的一个限制。这意味着在导出图形时，输入必须是需要解码的字符串。
我如何“注入”新输入，将其转换为旧张量，而不重新训练图形本身？我已经尝试过几个例子，。
我目前有以下导出代码：
image = tf.placeholder(dtype=tf.string, shape=[None], name='source')
signature = predict_signature_d
浏览 0提问于2018-08-07得票数 3
回答已采纳
我有一个张量inps，它的大小是[64, 161, 1]，还有一些新的数据d，它的大小是[64, 161]。如何将d添加到inps以使新大小为[64, 161, 2]
浏览 40提问于2020-04-08得票数 7
回答已采纳
1回答
我是提亚诺的新手，我正在看这个教程：。我已经把这条线贴上了。Pooled_out(卷积后输出和最大输出)是尺寸(a，b，c，d)的4D张量，而b(偏置)是矢量。即使在b的二次洗牌维数之后，也是(1，b,1,1)。我们怎么能增加两个不等大小的张量。或者，西亚诺是否会在所有其他地方自动复制b的相同值，以获得张量b的第二维值？上面的评论说：“每一种偏见都会在小批次和特征地图的宽度和高度之间播出”，这就是它的意思吗？
self.output = T.tanh(pooled_out + self.b.dimshuffle('x', 0, 'x', 'x')
浏览 2提问于2016-04-05得票数 0
1回答
给定一个一维张量：
A = torch.tensor([1, 2, 3, 4])
假设我们有一些“索引器张量”
ind1 = torch.tensor([3, 0, 1])
ind2 = torch.tensor([[3, 0], [1, 2]])
当我们运行A[ind1] & A[ind2]时
结果表明，tensor([4, 1, 2]) & tensor([[4, 1],[2, 3]])与索引张量(ind1和ind2)的形状相同，其值由张量A映射而来。
我想问如何在高维张量上索引
目前我有一个解决方案
对于IND张量A，假设我们有索引器张量IND，IND类似于[[i11,
浏览 2提问于2022-02-05得票数 0
回答已采纳
使用PyTorch，我有一个尺寸为(b, 2, x, y)的多维张量A，以及尺寸(b, 2, x, y, 3)的另一个相关张量B。
我希望在dim=1中得到A中的最小值的索引(这个维数是2)，并将这个索引张量应用到B，这样我就可以得到一个形状(b, x, y, 3)的张量。
通过使用A_mins, indices = torch.min(A, dim=1)，我可以得到形状为(b, x, y)的张量indices，其中值是0还是1，这取决于A中dim=1的最小值。我不知道如何将其应用于B以获得所需的输出。我知道torch.index_select做了类似的工作，但只针对一维索引向量。
浏览 15提问于2022-02-23得票数 2
回答已采纳
以形状为4,8,12的张量为例，这两条线之间有什么区别：
torch.mean(x, dim=2)
torch.nn.functional.avg_pool1d(x, kernel_size=12)
浏览 2提问于2021-12-08得票数 1
回答已采纳
我认为torch.cat和torch.stack都不能完全满足我的要求。
最初，我定义了一个空张量。然后我想在它上附加一个一维张量多次。
x = torch.tensor([]).type(torch.DoubleTensor)
y = torch.tensor([ 0.3981, 0.6952, -1.2320]).type(torch.DoubleTensor)
x = torch.stack([x,y])
这将引发一个错误：
RuntimeError:堆栈期望每个张量大小相等，但在条目0处获得，在条目1处得到
因此，我必须将x初始化为torch.tensor([0,0,0]) (但
浏览 3提问于2020-07-22得票数 0
回答已采纳
1回答
我有两个火炬张量。一个是shape [64, 4, 300]，另一个是shape [64, 300]。如何将这两个张量连接起来以获得形状[64, 5, 300]的合成张量。我知道用于此的tensor.cat函数，但为了使用该函数，我需要重塑第二个张量，以便与张量的维数相匹配。我听说不应该对张量进行整形，因为这可能会弄乱张量中的数据。我如何做这个连接？
我尝试过重塑，但下面的部分让我对这样的重塑更加怀疑。
a = torch.rand(64,300)
a1 = a.reshape(64,1,300)
list(a1[0]) == list(a)
Out[32]: False
浏览 9提问于2020-05-12得票数 1
1回答
我有一个自由变量(tf.variable) x，并且我希望最小化关于张量x的子集的误差项(例如，最小化仅关于2D张量的第一行的误差)。
一种方法是计算梯度，并将张量的不相关部分的梯度更改为零，然后应用梯度。他们是另一种方式吗？
浏览 10提问于2017-07-28得票数 1
我有两个张量：
带形状的128,24,24,256B A:形状为128,24,24,64
我想把它们加在一起，但是维数是不同的，所以通过类比2D矩阵，我想把张量B和其他张量C相乘，这样张量积B*C就有维数128,24,24,256。
我怎样才能在丹索尔·弗洛做到这一点？哪个维度应该是C张量？
浏览 5提问于2021-03-17得票数 1
回答已采纳
我想以交替的方式连接shape=(None, 16)的两个张量(因此结果张量必须是shape=(None, 32)，其中第一个张量的第一个数组以交替方式混合，第一个张量的第一个张量，以此类推。
我该怎么做呢？
我不能循环张量，因为未知的shape[0]，zip函数不支持张量(张量对象不可迭代)。我用的是Python3的Tensorflow。
浏览 2提问于2017-09-26得票数 2
回答已采纳
1回答
tensorflow变型
、、、
我有一个定制的丢失函数(在keras中)，它接收两个批次的输入，所以它们的形状(两者相同)通常是(batch_size 128、128、3)是一个图像。现在，我想执行两个操作，它们具有以下形状：
128)(batch_size) (batch_size，128 )
现在，我想做的是把两个张量相加，但是很明显我做不到，所以这个想法很简单:将第二个张量展开，使第一个张量的形状相同，在其他空缺位置复制单个值。
考虑到这是个损失函数，我怎么能做到呢？
注意:我已经试着减少第一个张量和第二个作为标量的和，但是这个解不能像我想要的那样工作。
浏览 2提问于2021-02-14得票数 0
回答已采纳
在我的计算管道中，我使用了自定义函数，它将创建定制的keras块，并且在Conv2D中多次使用这些块。最后，得到了两个不同张量的特征映射：TensorShape([None, 21, 21, 64])和TensorShape([None, 10, 10, 192])。在这种情况下，使用tf.keras.layers.concatenate进行连接对我不起作用。有人能指出如何把这两个张量连成一个吗？有什么办法让这事发生吗？
如果我能够用TensorShape([None, 21, 21, 64])和TensorShape([None, 10, 10, 192])的形状连接张量，我想在级联之后执行
浏览 4提问于2020-08-26得票数 2
回答已采纳
在PyTorch中有两个张量，z是形状(n_samples, n_features, n_views)的三维张量，其中n_samples是数据集中的样本数，n_features是每个样本的特征数，n_views是描述相同(n_samples, n_features)特征矩阵的不同视图数，但与其他值相同。
我有另一个二维张量b，形状为(n_samples, n_views)，它的目的是在不同的视图中重新描述样本的所有特征。换句话说，它封装了同一个示例每个视图的特性的重要性。例如：
import torch
z = torch.Tensor(([[2,3], [1,1], [4,5]],
浏览 0提问于2021-06-07得票数 2
回答已采纳
我实现了几个函数来将sRGB转换为颜色空间。
现在，我想用它来抖动，但我不知道如何准确区分哪种颜色是“低”颜色，哪种颜色是“高”颜色。
当在一维颜色空间(灰度)中抖动时，事情很容易。当使用误差扩散抖动时，我从调色板中计算出最近的灰度值，并根据我使用的抖动矩阵类型(例如Floyd)将误差添加到周围的像素中。因为这是一维的，所以很简单，只有一个值。但是现在我有了这个三维的颜色空间，我应该把误差加到每个坐标上吗？
(在这一点上，这是唯一对我有意义的方式。)
当使用矩阵时，情况会变得更加复杂。有序抖动矩阵定义了一个阈值。为此，我需要知道我的托盘的“较低”像素值和“更高”像素值，对于我将要抖动的当前像素
浏览 6提问于2015-06-12得票数 7
回答已采纳
1回答
我有二维张量和一维张量：
import torch
torch.manual_seed(0)
out = torch.randn((16,2))
target = torch.tensor([0, 1, 1, 1, 0, 0, 1, 0, 1, 1, 0, 0, 0, 1, 1, 0])
对于out的每一行，我希望选择相应的列作为target索引。因此，我的输出将是一个(16,1)张量。我尝试了这里提到的解决方案：
但我明白：
Traceback (most recent call last):
File "/opt/conda/lib/python3.8/site-packa
浏览 34提问于2022-10-18得票数 0
回答已采纳
3回答
我有一个形状为(30, 116, 10)的张量，我想交换前两个维度，所以我有一个形状为(116, 30, 10)的张量
我将numpy看作是这样一个函数实现(np.swapaxes)，我在tensorflow中搜索了类似的东西，但什么也没有找到。
你有什么想法吗？
浏览 3提问于2016-07-06得票数 40
回答已采纳
1回答
我想为音频文件创建一个机器学习模型。我把音频文件转换成(谱图)张量。我的特征张量(音频文件)具有如下形状[119, 241, 125] (119个文件，241个样本/文件，125个频率/样本)。根据样本，我定义了我在一个时间周期内(例如16 By )所取的样本。我的输出形状是[119, numOptions]。
我跟踪了这个的音频识别。他们建立了这样的模式：
我将我的特性张量重塑为2Dconv的4D：this.features = this.features.reshape([this.features.shape[0],this.features.shape[1],this.fea
浏览 0提问于2019-09-24得票数 1
回答已采纳
1回答
我已经看到这个疑问发布了几次，但没有得到任何答案，至少我特别困惑，关于重塑是如何工作的，为什么它是必要的。我将尽量简短并切中要害。
因此，我在TensorFlow文档中读到，当你实现细胞神经网络时，在将数据输入卷积层之前，需要对数据进行整形，因为卷积层接受4D张量，而不仅仅是元素列表(下载的训练数据)。
卷积池过程的输出也是一个4D张量。它被送入扁平层。Now...the扁平层，用于接收在将其传递给卷积之前需要整形相同列表元素。但是，为什么这两种方法都适用于扁平层呢？它正在接收项目列表(不能直接馈送到卷积)，现在正在接收4D张量。
因此，如果没有卷积，扁平层接收未整形的数据，如果有卷积池，它接
浏览 1提问于2020-04-06得票数 1
1回答
下面是我传递给keras层的函数。
tf.cond()的输出出了问题。它返回<unknown>的形状。输入张量(t)和恒定权张量分别具有(None,6)和(6,)形状。当我把这两个放在tf.cond()之外时，我得到了(None,6)形状的张量，这就是我所需要的。但是，当从tf.cond()内部返回相同的add操作时，我得到了形状<unknown>的张量。
当这个操作通过tf.cond()时会发生什么变化。
def class_segmentation(t):
class_segments = tf.constant([0,0,1,1,2,2])
浏览 4提问于2021-07-14得票数 1
回答已采纳
注意:我正在寻找最快/最佳的方法来做或改进这一点，因为我的限制是时间。
使用PyTorch，我有一个图像作为三维张量，假设维数64x400x400，其中64表示通道，400表示图像维数。有了这个，我有一个64长的一维张量，它们都有不同的值，其中的意图是每个通道使用一个值。我想使用每个一维张量的值来应用于整个通道的400x400块。因此，例如，当我想要添加3d_tensor + 1d_tensor时，我希望将1d_tensor[i]添加到3d_tensor[i]中的所有400x400 = 160000值中，[i]从0到63不等。
我以前做的事：
我尝试直接使用操作符，只使用：
output_ad
浏览 4提问于2020-10-20得票数 1
回答已采纳
1回答
我看到了在PyTorch中索引张量的语法，不知道它意味着什么：
v = torch.div(t, n[:, None])
其中v、t和n是张量。
"None“在这里扮演什么角色？我似乎在文件里找不到它。
浏览 0提问于2021-11-01得票数 5
回答已采纳
我在[None, 100, 5, 50]中有一个来自tf.gather(W,X)的张量，我想把它重塑成[None, 100, 250])，但是使用tf.reshape (even with tf.pack)显示了Dimension(None)的错误，因为图的动态方面。是否有任何方法可以首先重塑tensor [100,5,50]的内部，直到图形中已知的维数，然后使用具有[None, 100, 250]的set_shape
浏览 3提问于2016-02-25得票数 2
回答已采纳
2回答
最近我对张量有点困惑。如果我们有一个形状为(3,2,3,4)的张量，我们的意思是在第一维中有3组数？或者仅仅意味着在第一维中只有3个数字？
接下来是第二个问题，对于形状为( 3，2)的张量A，为什么torch.max(A,0)的输出返回一组最大值，其中包含2 max值，而不是3，考虑到第一维中有3个数字。
>>>a = torch.randn(3,2)
a tensor([[-1.1254, -0.1549],
[-0.5308, 1.0427],
[-0.1268, 1.0866]])
>>>torch.max(a,0)
浏览 2提问于2020-09-29得票数 0
回答已采纳
2回答
我是DL和Keras的新手。我试图用Keras (tensorflow后端)解决一个具有多变量输出(y型(?，2))的回归问题。我对如何计算损失感到困惑。我用平均绝对误差作为损失函数。但是，由于我的目标数据有两个维度，是否将损失值计算为所有维度上的约简平均值(作为结果的标量)？我检查了Keras源代码，它使用K.mean(.，axis=-1)来计算MAE。如果K.mean与numpy.mean相同，"axis=-1“应该表示列的平均值(对于我的情况，它应该返回形状为(?,2)但不是标量的张量)。如果是这样的话，损失值怎么可能是一个数字(如培训过程日志中输出的那样)？
如果MAE返回确实
浏览 0提问于2018-04-19得票数 7
我的输入张量看起来是：
torch.Size([8, 23])
// where,
// 8 -> batch size
// 23 -> words in each of them
我的输出张量看起来如下：
torch.Size([8, 23, 103])
// where,
// 8 -> batch size
// 23 -> words predictions
// 103 -> vocab size.
我想计算这个任务的稀疏交叉熵损失，但是我不能，因为PyTorch只计算单个元素的损失。我怎么编码它才能工作呢？谢谢你的帮助。
浏览 2提问于2020-09-03得票数 1
1回答
动态广播
、
我想沿着动态维度动态广播张量的乘法，这是批量大小。我可以硬编码批处理大小，但是不可能推断批处理大小等于1。
img_placeholder = tf.placeholder(tf.float32, (None, 28, 28, 1), name='real_img')
random_part = tf.placeholder(tf.float32, (None), name='random_part')
在训练期间，我将为每个占位符提供第一个维度的相同大小。我希望有这样的result[0] = random_part[0] * img_placeholder[
浏览 0提问于2017-08-04得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
