基于numpy中的向量生成张量的元素
是指通过numpy库中的函数和方法，将向量转换为张量的各个元素。在numpy中，可以使用numpy.array()函数创建向量，并通过reshape()方法将向量转换为张量。
具体步骤如下：
- 导入numpy库：import numpy as np
- 创建向量：vector = np.array(1, 2, 3, 4, 5)
- 使用reshape()方法将向量转换为张量：tensor = vector.reshape((1, 5))
这样，通过reshape()方法将向量转换为张量后，张量的元素即为向量中的元素。在上述示例中，向量1, 2, 3, 4, 5被转换为了形状为(1, 5)的张量，其中元素为1、2、3、4、5。
张量是多维数组的扩展，可以用于存储和处理多维数据。在机器学习和深度学习中，张量是非常重要的数据结构，用于表示输入数据、模型参数和输出结果。
推荐的腾讯云相关产品：腾讯云AI计算引擎（https://cloud.tencent.com/product/tci）、腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）、腾讯云数据仓库（https://cloud.tencent.com/product/dw）、腾讯云人工智能开放平台（https://cloud.tencent.com/product/aiopen）、腾讯云云服务器（https://cloud.tencent.com/product/cvm）等。
相关·内容
1回答
我对以下返回向量的矩阵张量乘法的例子感到困惑。乍一看，我认为这将意味着将张量dydx的第一维乘以矩阵dLdy，但我没有得到如下所示的预期结果。那么，这个总结的意义是什么呢？
import torch
import numpy as np
dLdy = torch.randn(2,2)
dydx = torch.randn(2,2,2)
torch.einsum('jk,jki->i', dLdy, dydx)
tensor([0.3115, 3.7255])
dLdy
tensor([[-0.4845, 0.6838],
[-1.1723, 1.4914
浏览 6提问于2022-01-10得票数 2
回答已采纳
1回答
Python张量积
、、、
我有以下问题。出于性能原因，我使用numpy.tensordot，因此我的值存储在张量和向量中。我的一个计算结果如下：
<w_j>是w_j的期望值，<sigma_i>是sigma_i的期望值。(也许我现在应该调用is sigma，因为它与standart偏差无关)现在为了进一步的计算，我还需要方差。对于get方差，我需要计算：
现在，当我用numpy.tensordot将第一个公式实现到python中时，我真的很高兴它起作用了，因为这是非常抽象的，而且我不习惯张量。代码看起来是这样的：
erc = numpy.tensordot(numpy.tensor
浏览 1提问于2016-10-14得票数 3
回答已采纳
4回答
对于numpy，我可以这样做一个简单的矩阵乘法：
a = numpy.ones((3, 2))
b = numpy.ones((2, 1))
result = a.dot(b)
但是，这不适用于PyTorch：
a = torch.ones((3, 2))
b = torch.ones((2, 1))
result = torch.dot(a, b)
此代码引发以下错误：
RuntimeError:一维张量，但得到二维张量和二维张量
如何在PyTorch中执行矩阵乘法？
浏览 9提问于2017-06-13得票数 84
回答已采纳
我正在做一个动态批量大小的DQN训练。我有两个通行证：
第一遍:使用不同的样本对DNN进行几次后续的前向传播，直到某个特定事件发生。在这一步中，我保存了所有的输入(一维张量)，以便在第二遍中重放。因为使用C++不能创建具有动态形状的张量，所以我将它们存储为一维张量的std::vector。
第二遍:计算预期输出，并使用相同的DNN执行前向传播和反向传播。这一次，我使用二维张量作为输入，在一次运行中计算所有样本。
问题是如何从一维张量的向量最有效地创建这个二维输入张量？还是说我做错了？
浏览 15提问于2018-09-03得票数 1
使用PyTorch，torch.combinations将只接受一个一维张量作为输入，但我想将它应用于多维张量中的每个一维张量。
inp = torch.tensor([[1, 2, 3],
[2, 3, 4]])
torch.combinations((inp), r=2)
结果是一个错误，说我不能将它应用于那个形状，但我想单独将它应用于[1, 2, 3]和[2, 3, 4]。我不能一个一个地做，因为我的想法是将这个应用于大数据集。
inp = torch.tensor([[1,2,3],[2,3,4]])
inp_tuple = torch.un
浏览 44提问于2022-08-01得票数 0
回答已采纳
我有一个数据的张量，它是Tensorflow中网络的输出，但是，我想将其重新格式化为由原始张量的元素组成的更大批量。这不是很清楚，所以假设我的网络的输出是一个形状为(10,1000，1) - (batch_size，length，features)的张量，我想重新格式化它，这样我现在就有了( 500，10，1)，这是来自原始数据集的长度为10的500个向量。 我对numpy很熟悉，所以我正要用它，但你只能在EagerTensors中使用numpy。我不确定这是否是一个额外的问题，但我正在尝试一个GAN网络，所以代码看起来像这样： with tf.GradientTape() as gen_t
浏览 25提问于2020-06-20得票数 0
回答已采纳
1回答
大熊猫载体柱的焦火炬张量
、、、、
我想把熊猫的列转换成PyTorch张量。列的每个单元都有一个300模糊的NumPy矢量(嵌入)。
我试过这样做：
torch.from_numpy(g_list[1]['sentence_vector'].to_numpy())
但是它抛出了这个错误：
TypeError:无法转换numpy.object_类型的np.ndarray。唯一受支持的类型是: float64、float32、float16、complex64、complex128、int64、int32、int16、int8、uint8和bool.。
浏览 8提问于2022-03-29得票数 1
回答已采纳
1回答
我正在用Keras创建一个RNN语言模型，为了训练这个模型(有监督学习)，我必须创建一个形状为(num_of_training_sequences, size_of_vocabulary)的numpy数组y (每个序列的每个观察的标签)，其中包含一个热向量。
当我有太多训练序列时，这个数组太大，无法放入内存。然而，这并不是必须的！由于可能的单热向量的数量仅为size_of_vocabulary，因此y可能只是一个num_of_training_sequences大小的数组，其中包含对预先分配的单热向量的引用(也称为指针)。这样，如果两个序列以相同的单词结束，并且应该具有相同的热向量，那么它们将
浏览 1提问于2020-05-17得票数 0
阅读TensorFlow文档：
import numpy as np
ndarray = np.ones([3, 3])
print("TensorFlow operations convert numpy arrays to Tensors automatically")
tensor = tf.multiply(ndarray, 42)
print(tensor)
print("And NumPy operations convert Tensors to numpy arrays automatically")
print(np.add(tenso
浏览 0提问于2020-04-04得票数 2
假设我有一个(c x d)矩阵的列表。比如说我有a。我对每个矩阵都有a系数。
在NumPy中是否有一种快速的方法，在保持张量数据结构的情况下，立即将每个矩阵乘以其系数，还是需要手动遍历一个for循环，即X = np.array([np.multiply(coefs[i], X[i]) for i in range(len(coefs))])。
即X.shape = (3, 4, 5)，coefs.shape = (3).
浏览 4提问于2014-12-23得票数 1
回答已采纳
我想在这个架构的Keras中实现一个神经网络:假设我有一些输入，它们属于某些组。然后神经网络是这样的：
input -> some layers -> separate inputs by groups -> average inputs by groups -> output
简而言之，我想按组分离输入，然后按组取输入的平均值。
例如，如果我有一些输入张量1，2，3，4，5，6，它们属于两个组0，1，1，0，0，1，那么我希望输出张量是这样的: 3.333，3.666，3.666，3.333，3.333，3.666。这里3.333是组1、4、5的平均值，3.666是组
浏览 4提问于2018-10-12得票数 1
1回答
加速张量连接
、、、
我需要连接一长串小张量。每个小张量都是给定的(非常简单的)常量矩阵的一个切片。代码如下：
<code>A0</code>
这需要很长时间。有没有一种方法可以有效地并行化edge_delay_buf中每个元素的创建？我尝试过多种变体，比如用列表串联替换for循环，结果是一个列表列表，然后扁平列表并在扁平列表上应用torch.cat。然而，它并没有得到很大的改善。由于某些原因，切片操作花费的时间太长。
有没有办法让切片更快？有没有办法让循环更高效/更并行？
注意:当我在这个例子中使用torch时，我也可以使用numpy。注2:我很抱歉在另一个论坛上发表了重复的帖子。
浏览 17提问于2020-07-31得票数 0
1回答
假设我有一个张量a的形状[B,D]，我有一个列表I包含形状[B]的指数。现在，我想把张量扩展到[M,D]形状，M > B使用列表中的索引。请注意，索引属于范围[0,M]。具体来说，I是将张量a中的行映射到对维度0具有较大价值的另一个张量。此功能与函数tf.gather()相反。有人能提出解决办法吗？谢谢
浏览 0提问于2018-07-04得票数 6
这是tf.nn.conv2d的文档:给定形状批、in_height、in_width、in_channels的输入张量和形状filter_height、filter_width、in_channels、out_channels的过滤器/内核张量，此操作执行以下操作
将滤波器平坦为形状为[filter_height * filter_width * in_channels ]的二维矩阵
从输入张量中提取图像块，形成形状批处理、out_height、out_width、filter_height * filter_width * in_channels的虚拟张量。
对于每个补丁，右乘滤
浏览 0提问于2018-11-28得票数 0
我可以从看到下面的代码试图做什么。但来自sum的y=torch.sum(x**2)让我感到困惑。对于sum操作，y变成一个只有一个值的张量。我把.backward()理解为计算导数，为什么我们要使用sum并将y降低到一个值呢？
import pytorch
import matplotlib.pyplot as plt
x = torch.linspace(-10.0,10.0,10, requires_grad=True)
Y = x**2
y = torch.sum(x**2)
y.backward()
plt.plot(x.detach().numpy(), Y.detac
浏览 0提问于2019-08-02得票数 4
回答已采纳
我有两个张量，第4级的a和第1级的b，我想通过“收缩”离开的最后一个轴来生成3级的aprime，用它对b的点积代替它。在numpy中，这和np.tensordot(a, b, 1)一样简单。但是，我无法在Tensorflow中找到这样的方法。
如何将张量的最后一个轴替换为等于该轴的点积与另一个张量(当然，形状相同)的值？
更新
我在维基百科上看到，这被称为“张量内积”，也就是张量收缩。这似乎是一个常见的操作，我很惊讶在Tensorflow中没有明确的支持。
我相信，通过tf.einsum，这是可能的；然而，我还没有找到一种通用的方法来实现这一点，而这种方法适用于任何级别的张量(这可能是
浏览 5提问于2016-10-05得票数 0
1回答
我正在用编码器/解码器模式编写一个德语->英语翻译器，其中编码器通过将其最后一个LSTM层的状态输出作为解码器LSTM的输入状态来连接到解码器。
但是，我被卡住了，因为我不知道如何解释编码器的LSTM输出。一个小例子：
tensor = tf.random.normal( shape = [ 2, 2, 2 ])
lstm = tf.keras.layers.LSTM(units=4, return_sequences=True, return_state=True )
result = lstm( ( tensor )
print( "result:\n", resul
浏览 6提问于2021-06-14得票数 0
回答已采纳
我在Tensorflow中实现了一个特殊的损失函数。下面是一个特殊函数的numpy风格的代码，该函数选择前Q个元素，并屏蔽每行每列中的其他元素。注意，A是一个n*n矩阵，而q是一个小于n的整数。 def thresh(A, q):
A_ = A.copy()
n = A_.shape[1]
for i in range(n):
A_[i, :][A_[i, :].argsort()[0:n - q]] = 0
A_[:, i][A_[:, i].argsort()[0:n - q]] = 0
return A_ 现在的问题是，我
浏览 19提问于2019-06-21得票数 1
回答已采纳
比如说，我有一个张量，它可能包含正负值：
[ 1, -1, 2, -2 ]
现在，我想对正值应用log(x)，对负值应用常量-10：
[ log(1), -10, log(2), -10 ]
换句话说，我想要一个像numpy.vectorize这样的函数。这在坦索弗洛有可能吗？
一种可能的方法是使用不可学习的变量，但我不知道它是否能正确地进行反向传播。
浏览 0提问于2017-12-04得票数 1
回答已采纳
1回答
我试图索引到张量中，从一维张量中得到一个切片或单个元素。我发现，当使用numpy方法索引[:]和slice vs tf.gather时，性能差异很大(几乎30%-40% )。
此外，我还观察到，tf.gather在标量(在未堆叠的张量上循环)上使用的开销很大，而不是张量。这是众所周知的问题吗？
示例代码(效率低下)：
for node_idxs in graph.nodes():
node_indice_list = tf.unstack(node_idxs)
result = []
for nodeid in node_indices_list:
x
浏览 3提问于2017-09-05得票数 4
2回答
(注:这不是一个反向传播问题。)我试图用PyTorch张量来代替Numpy数组来解决GPU上的非线性PDE问题。我要计算任意张量的偏导数，类似于中心有限差分函数的作用。我还有其他解决这个问题的方法，但是由于我已经在使用PyTorch，我想知道是否可以使用autograd模块(或者，一般情况下，任何其他的自动分化模块)来执行这个操作。
我已经创建了一个与张量兼容的numpy.gradient函数版本，运行速度要快得多。但也许有一种更优雅的方式来做到这一点。我找不到解决这个问题的任何其他来源，也无法证明这是可能的或不可能的；也许这反映了我对自微分算法的无知。
浏览 1提问于2019-07-29得票数 5
回答已采纳
我正在训练一个模型，特征形状是3751,4，我想使用Tensorflow中内置的重塑和层密度函数来使输出标签具有形状1,6。
训练集和测试集非常相似，唯一的区别是测试数据集的批次少于训练集。
现在，我的模型中有两个隐藏层，它们的作用类似于：
input_layer = tf.reshape(features["x"], [1,-1])
first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)
second_hidden_layer = tf.layers.dense(first_hid
浏览 1提问于2018-05-24得票数 0
我认为对角张量是形状的张量t (d1，.，dr)，除了分量相等外，它都是零。因此，ti，j，k，l=0，除非i == j == k == l.创建这样一个张量的函数应该是一个形状(d1，.，dr)和一个长度为min的向量a1，.，ak (d1，.，dr)，将这些值沿对角线放置。
我想在Tensorflow中这样做，而且我能找到的最相关的功能是，但是它不做我想做的事情。例如，对角线输入是张量，输出张量总是有两倍的秩，因此它永远不能输出奇数秩的张量。
文档中说：“给定对角线，此操作返回带对角线的张量，以及其他填充为零的所有内容”，但我不知道如何与它的实际行为成正方形。
我的问题有两部分：
在T
浏览 7提问于2020-08-12得票数 1
假设我有两个PyTorch张量：
t_1d = torch.Tensor([6, 5, 1, 7, 8, 4, 7, 1, 0, 4, 11, 7, 4, 7, 4, 1])
t = torch.Tensor([4, 7])
我想得到张量为t的张量t_1d的集合之间的精确匹配交集的索引。
t_1d和t的期望输出：[5, 12] (精确交集的第一个索引)
最好是在GPU上处理大张量，因此没有循环或Numpy投射。
浏览 27提问于2021-02-28得票数 1
回答已采纳
问题
你好!是否有任何方法可以将张量修改成自己的等级版本而不使用eval？
例如，6，4，5 -> 3，1，2
上下文
我感兴趣的是使用秩相关作为一个代价函数，我的带宽解决方案是使用session.run(张量)来得到numpy值，然后修改它来表示秩相关性。
到目前为止，问题是在训练过程中，权重和偏差并没有变化，这使得我认为TensorFlow没有计算有意义的梯度。
我已经改变了我的学习率在许多值之间(500到3e-8)，看看这是否是问题。没有运气，重量和偏见保持不变。
浏览 2提问于2016-07-21得票数 3
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
假设张量X和Y都是(batch_size, d)维的。我想找出由[X[0]@Y[0].T, X[1]@Y[1].T, ...]得到的(batch_size x 1)张量 我有两种方法可以这样做，但这两种方法都不是特别有效。 方式1 product = torch.eye(batch_size) * X@Y.T
product = torch.sum(product, dim=1) 这是可行的，但是对于大型矩阵，会有大量的计算浪费。 方式2 product = torch.cat(
[ X[i]@Y[i].T for i in X.size(0) ],
dim=0
) 这是好的
浏览 18提问于2020-12-17得票数 1
回答已采纳
2回答
在torch7中有什么简单的方法来滚动张量，比如numpy.roll和numpy.rollaxis在python中吗？
谢谢!
浏览 0提问于2015-12-27得票数 0
回答已采纳
3回答
如何用python生成恒等张量？
、、、、
我知道np.eye可以生成恒等矩阵。我的意思是恒等矩阵
在线性代数中，大小为n的恒等矩阵(有时也称为unit matrix )是n × n方阵，其主对角线上的矩阵和其它地方的零。
我知道我们可以在Numpy中用np.identity(3)创建它。
但是，我想知道我怎么能在蟒蛇中有一个身份张量。
我想用恒等张量进行乘法。如下所示：
其中G = Er ×1 U1 ×2 U2 ...×M UM是转换张量，Er ∈ R r×r×...×r是恒等张量(对角线元素为1，所有其他条目为0)。我需要生成identity tensor的代码。
提前谢谢你。
浏览 0提问于2019-02-04得票数 4
回答已采纳
我试图对RNN输出应用加权平均方案。
神经网络输出用具有维数A的张量(a,b,c)表示。
我可以简单地用tf.reduce_mean(A,axis=1)来得到张量C有维数(a,c)。
然而，我想做张量A沿axis = 1的“加权平均值”。
权重在具有维数B的矩阵(d,b)中指定。
对于d = 1，我可以执行tf.tensordot(A,B,[1,1])来获得维度(a,c)的结果。
对于d=a，我无法计算加权平均值。
有人能提出解决办法吗？
浏览 1提问于2019-03-28得票数 2
回答已采纳
1回答
我尝试将一个函数应用于3d火炬张量，同时将该函数应用于2d张量，该张量通过3d火炬张量的轴1读取。 例如，我有一个形状为(51, 128, 20100) (名为autoencode_logprob的变量)的火炬张量，函数(Rawid2sentence)在形状(51, 20100)的输入上运行。 现在，我编写了使用naive for循环运行的代码，使用range(128)逐个循环。 然而，它太慢了。以下是重要的代码部分。 autoencode_logprobs是3d张量，我需要沿着它的第二个轴应用rawids2sentence函数。有没有帮助将其矢量化？ for i in range(128)
浏览 19提问于2019-05-08得票数 0
1回答
假设我有一个4x3矩阵。我想互相减去矩阵中的每一个元素。
我对TensorFlow文档进行了广泛的研究(等等)，并注意到有一个tf.subtract操作符。在添加过程中，我知道有tf.add_n运算符添加了所有输入张量。我是TensorFlow的新手，我想知道:是否有这样一个减法操作符来减去所有的输入张量，如果没有，你能提供一个最快的方法吗？
示例矩阵张量：[[0.10, 0.20], [0.20, 0.40]]是这样展开的：
0.10 0.20
0.20 0.40
所需减法：0.10 - 0.20 - 0.20 - 0.40，其期望输出为：-.7
浏览 0提问于2018-03-03得票数 0
回答已采纳
1回答
三维张量的标引
、、、
我有一批长度为L的整数的L序列，它嵌入到N*L*d张量中。这个序列是由我的网络架构自动编码的。所以，我有：
from theano import tensor as T
X = T.imatrix('X') # N*L elements in [0,C]
EMB = T.tensor('Embedding') # N*L*d
... # some code goes here :-)
PY = T.tensor('PY') # N*L*C probability of the predicted class in [0,C]
cost =
浏览 0提问于2015-10-10得票数 2
回答已采纳
我试图使用TF数据集和一个@tf.function对图像目录执行一些预处理。在tf函数中，图像文件被读取为一个原始字符串张量，我试图从这个张量中获取一个片段。切片，前13个字符，表示关于.ppm图像(头)的信息。我得到了一个错误：ValueError: Shape must be rank 1 but is rank 0 for 'Slice' (op: 'Slice') with input shapes: [], [1], [1]。最初，我试图直接切片张量的.numpy()属性(filepath输入参数到tf函数)，但我认为在tf函数中这样做在语义上是错误的
浏览 5提问于2020-01-23得票数 0
1回答
我有以下基于MNIST示例的代码。它通过两种方式加以修改：
1)我不使用单一热向量，所以我只使用tf.equal(y, y_)
2)我的结果是二进制的:0或1
import tensorflow as tf
import numpy as np
# get the data
train_data, train_results = get_data(2000, 2014)
test_data, test_results = get_data(2014, 2015)
# setup a session
sess = tf.Session()
x_len = len(train_data[0]
浏览 2提问于2015-12-16得票数 1
回答已采纳
1回答
我只想提取一个非常大的pytorch张量的第一个元素。我已经看到一些帖子在谈论像my_tensor.numpy()[0]或者my_tensor.detach().numpy()[0]这样的选项，如果我使用requires_grad的话。仅仅访问一个元素似乎效率很低，特别是当我的张量很大的时候。有什么办法可以解决这个问题吗？
浏览 16提问于2021-04-24得票数 1
3回答
假设我有矩阵A和B。
A是一个三维数组/张量(？)。
[1,2,3,4]
[5,6,7,8]
[1,2,3,4]
[5,6,7,8]
比如说，有4个不同的二维矩阵，就像上面那个横跨第三维的矩阵。
B是一个矩阵。
[1,2,3,4]
在B中也有4个，每个都是相同的。
如何将每个向量相乘(？)B中的每个2d矩阵在A中。
[1,2,3,4]*[1,2,3,4]*[1;2;3;4]
[5,6,7,8]
[1,2,3,4]
[5,6,7,8]
将有四种上述类型的乘法来获得四个4x1向量。我已经用numpy尝试过了：
y = numpy.aran
浏览 6提问于2014-03-27得票数 1
在tensorflow中，有用于进位和矩阵乘法的很好的函数，但是在查看文档之后，我找不到任何内部函数来获取两个张量的外部乘积，即由小张量元素的所有可能乘积(如numpy.outer)生成更大的张量：
v_{i,j} = x_i*h_j
或
M_{ij,kl} = A_{ij}*B_{kl}
tensorflow有这样的功能吗？
浏览 5提问于2015-11-22得票数 19
回答已采纳
我从一个带有x整数项的一维numpy数组N (或tensorflow张量)开始。每个条目都较小或等于N。现在我要创建一个形状的张量Y (N,N) (即NxN矩阵)，其中Y[i,j]=0如果x[i]!=x[j]，Y[i,j]=1如果x[i]==x[j]。
numpy示例：
import numpy as np
x=np.array([1,2,1,2,3,4,2])
Y=np.zeros((x.shape[0],x.shape[0]))
for i in range(x.shape[0]):
for j in range(x.shape[0]):
if x[i]==x[j]
浏览 1提问于2017-12-14得票数 1
回答已采纳
1回答
张量乘积存在伪随机相关生成器(PCG)，如图1所示。基本上，我们希望第一党举行(x_0, z_0)和第二党举行(x_1, z_1)这样的x_0 \otimes x_1 = z_0 + z_1。设n = |x_0| = |x_1|，所以z_0, z_1的长度是n^2。
我的理解是，这样的PCG只对生成大量的相关性是有用的。假设我想生成许多小的张量乘积关联，例如n = 10。对于小向量，有比多次重复张量乘积相关协议更好的方法吗？目前我看到的唯一其他选择是做一个大的张量乘积相关，然后沿着n \times n大小的对角线取方阵，但是这是相当浪费的，因为大多数输出都不被使用，特别是当n很小的时候。
理想
浏览 0提问于2022-09-29得票数 2
回答已采纳
我可以用相同形状的布尔数组/张量或者包含我想要的元素的整数索引的数组/张量来索引我的numpy数组/ pytorch张量。哪个更快？
浏览 12提问于2019-09-04得票数 3
1回答
我在a中存储了一个张量，如下所示：
<tf.Tensor: shape=(5, 1), dtype=float32, numpy=
array([[0.1 ],
[0.2 ],
[0.4 ],
[0.15],
[0.15]], dtype=float32)>
当我应用softmax函数时，
a_tf = tf.nn.softmax(a)
我得到一个张量，如下所示
<tf.Tensor: shape=(5, 1), dtype=float32, numpy=
array([[1.],
[1.],
浏览 3提问于2020-05-25得票数 1
回答已采纳
我想知道在tf.boolean_mask之后，如何从pred (1D张量)和mask (2D数组，元素为'True‘或'False')中恢复预测结果作为2D张量，其中False默认为0。
labels = np.random.rand(256, 256)
heatmaps = np.random.rand(256, 256, 10)
mask = labels > 0.5
heatmaps = tf.boolean_mask(heatmaps, mask)
scores = tf.nn.softmax(logits=heatmaps)
pred = tf.ar
浏览 4提问于2018-08-07得票数 2
回答已采纳
1回答
在Tensorflow框架中获取张量数组对组合时遇到问题。我想要类似于numpy array的过程：for x in list(itertools.combinations(features, 2))谁能指导我如何获得张量数组的成对组合？非常感谢!
浏览 9提问于2019-02-25得票数 1
回答已采纳
1回答
给定shape (A, B, C, D, E)的张量和shape (A, B, E)的张量，我想进行批量乘法，并自动广播第二个张量，这样：
In [1]: X = tf.placeholder(dtype=tf.float32, shape=[A, B, C, D, E])
In [2]: Y = tf.placeholder(dtype=tf.float32, shape=[A, B, E])
In [3]: # DO SOMETHING LIKE tf.matmul(X, Y)
Out[3]: <tf.Tensor 'MatMul_1:0
浏览 3提问于2017-12-12得票数 1
1回答
PyTorch的nn.Linear(in_features, out_features)接受尺寸为(N_batch, N_1, N_2, ..., N_end)的张量，其中N_end = in_features。输出是大小为(N_batch, N_1, N_2, ..., out_features)的张量。
我不太清楚它在以下情况下的行为：
如果v是一行，则输出为A^Tv+b
如果M是一个矩阵，它将被视为一批行，并且对于每一行v，执行A^Tv+b，然后一切都返回到矩阵形式。
如果输入张量是较高级别的呢？假设输入张量具有维数(N_batch, 4, 5, 6, 7)。这一层是否会输出
浏览 7提问于2021-04-08得票数 0
回答已采纳
根据keras文档：
preprocessing_function:将隐含在每个输入上的函数。该函数将在图像调整大小并放大后运行。该函数应该有一个参数:一个图像(秩为3的Numpy张量)，并且应该输出一个具有相同形状的Numpy张量。
我的numpy张量是5级的，因为我的输入图像有3个维度(高度，宽度，深度)。
from keras.preprocessing.image import ImageDataGenerator
label_datagen = ImageDataGenerator()
train_label_generator = label_datagen.flow_from_
浏览 34提问于2019-07-10得票数 2
回答已采纳
我正在尝试以两种方式重复torch中的张量。例如，将张量{1,2,3,4}重复两种方式3次以产生结果；
{1,2,3,4,1,2,3,4,1,2,3,4}
{1,1,1,2,2,2,3,3,3,4,4,4}
有一个内置的torch: generate张量函数，它将生成两个函数中的第一个(如numpy.tile())，但我找不到一个用于后者(如numpy.repeat())。我确信我可以在第一个数组上调用sort来给出第二个数组，但我认为对于较大的数组，这可能会耗费大量的计算资源。
谢谢。
浏览 2提问于2016-02-05得票数 12
我需要一些概念上的清晰化，包括Pytorch ()函数的输入。请参阅下列代码：
import torch
a = torch.tensor([2., 3.], requires_grad=True)
b = torch.tensor([6., 4.], requires_grad=True)
Q = 1/3*a**3 - 1/2*b**2
在这里，我定义了3个张量，我试图计算Q w.r.t a的导数。下面的行将简单地计算第一和第二导数。
Q_a = torch.autograd.grad(Q.sum(), a, create_graph=True)[0]
Q_aa = torch.autogr
浏览 5提问于2021-10-15得票数 0
回答已采纳
我正在尝试将张量对象中的一个矩阵切片为numpy矩阵，并将其用于部分计算。但是从张量对象到numpy数组的赋值不会像下面这样工作。
import tensorflow as tf
import numpy as np
def assignC():
C_copy = np.zeros((2,2))
C = tf.matmul(tf.transpose(x), x)
C_copy[0,0] = C[0,0]
#C_copy[0,0] = C[0,0].eval() # error saying "You must feed a value for pla
浏览 2提问于2016-06-21得票数 0
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
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
