使用tf.tile()和tf.sparse_to_dense()构建多标签

最新推荐文章于 2022-09-12 15:40:01 发布
最新推荐文章于 2022-09-12 15:40:01 发布
阅读量697 收藏
点赞数 1
分类专栏： tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31456593/article/details/89448262
版权
本文介绍了如何在TensorFlow中使用tf.tile()和tf.sparse_to_dense()创建多标签分类的one-hot表示。通过示例解释了这两个函数的用途，特别是在处理多标签数据时。tf.tile()用于扩展张量，而tf.sparse_to_dense()则将稀疏矩阵转换为稠密矩阵。在使用tf.sparse_to_dense()时需要注意，若不设置validate_indices=False，它会要求索引必须递增，这可能导致InvalidArgumentError。
摘要由CSDN通过智能技术生成

使用tf.tile()和tf.sparse_to_dense()构建多标签

原文地址：https://blog.csdn.net/qq_31456593/article/details/89448262
多标签分类时需要构建类似one-hot的多标签y_hot,在tensorflow中可以用tf.tile()和tf.sparse_to_dense()构建

tf.tile()

tf.tile()应用于需要张量扩展的场景，具体说来就是：
如果现有一个形状如[width, height]的张量，需要得到一个基于原张量的，形状如[batch_size,width,height]的张量，其中每一个batch的内容都和原张量一模一样

tf.sparse_to_dense

tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None)
除去name参数用以指定该操作的name，与方法有关的一共四个参数：
第一个参数sparse_indices：稀疏矩阵中那些个别元素对应的索引值。

第二个参数output_shape：输出的稀疏矩阵的shape

第三个参数sparse_values：个别元素的值。

构造onehot

batch_size=6
label=tf.expand_dims(tf.constant([0,2,3,6,7,9]),1)
inde
最低0.47元/天 解锁文章
Doit_行之
关注
专栏目录
AI上推荐 之 MIND(动态路由与胶囊网络的奇光异彩)
Miracle8070
03-27 6694
1. 写在前面 今天整理的是MIND模型(Multi-Interest Network with Dynamic Routing)， 这是阿里团队2019年在CIKM上发的一篇paper，该模型依然是用在召回阶段的一个模型，解决的痛点是之前在召回阶段的模型，比如双塔，上一篇介绍的YouTubeDNN召回模型等，在模拟用户兴趣的时候，总是基于用户的历史点击，最后通过pooling的方式得到一个兴趣向量，用该向量来表示用户的兴趣，但是该篇论文的作者认为，用一个向量来表示用户的广泛兴趣未免有点太过于单一，这是作者
sparse-to-dense:ICRA 2018“稀疏密密麻麻
04-30
稀疏到密集 此存储库由麻省理工学院的 和进行了深度回归神经网络的训练和测试，以用于 。 一个视频演示。 此仓库提供了中该论文的原始实现。 版本可以在找到。 此仓库可用于培训和测试 基于RGB（或灰度图像）的深度预测 基于稀疏深度的深度预测 基于RGBd（即RGB和稀疏深度）的深度预测 内容 基准 引文 要求 请参阅安装说明以获取分步指南。 在装有CUDA GPU的计算机上安装Torch 。 安装cuDNN （v4或更高版本）和Torch cuDNN绑定 如果您已经同时安装了Torch和cuDNN，请更新软件包并安装依赖项。 luarocks install nn luarocks install cunn luarocks install cudnn luarocks install optnet 安装HDF5格式库。 预处理数据集中的文件为HDF5格式。 sudo apt
tf.sparse_to_dense
健身房
06-18 982
  函数原型如下： tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None) 这个函数的作用是将一个稀疏表示转换成一个密集张量。具体将稀疏张量sparse转换成密集张量dense的步骤如下： # If sparse_indices is scalar dense[i] = (i == sparse_indices ? sparse_values : default_value) # I
【TensorFlow】tf.sparse_to_dense的用法
热门推荐
xf__mao的博客
11-27 3万+
TensorFlow是一个很坑的东西，在没有session运行的时候，所有数据都看不到结果，很难去print 而且TF还没有中文的API手册，很多东西很难体会 在这里记录一下比较难理解的几个方法的用法，以便后面用到 tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=N
tf中的tf.sparse_to_dense的用法
ccbka的博客
01-09 4341
tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None) 除去name参数用以指定该操作的name，与方法有关的一共四个参数： 第一个参数sparse_indices：稀疏矩阵中那些个别元素对应的索引值。      有三种情况：      spa
tf.sparse_to_dense（）函数理解
qq_36411093的博客
12-29 1万+
今天看代码的时候看到一个陌生的函tf.sparse_to_dense(），看了很多博客感觉都没有解释到点子上，看了函数才有了一点理解，记录如下： import tensorflow as tf import numpy indices = tf.reshape(tf.range(0, 10 ,1), [10, 1]) labels=tf.expand_dims(tf.constant([0,2,3...
tf.concat默认参数
最新发布
07-28
- *1* [tf.tile,tf.gather，t f.concat，t f .expand_dims,tf.add_n, tf.stack,tf.sparse_to_dense](https://blog.csdn.net/u010365819/article/details/88233385)[target="_blank" data-report-click={"spm":"1018....
python中tensor与variable_NLP实战篇之tf2中tensor、variable、gradient、ops
weixin_39600291的博客
12-16 269
本文是基于tensorflow2.2.0版本，介绍了tf中变量、张量的概念，tf中梯度的计算方式和tensor相关的操作。实战系列篇章中主要会分享，解决实际问题时的过程、遇到的问题或者使用的工具等等。如问题分解、bug排查、模型部署等等。相关代码实现开源在：https://github.com/wellinxu/nlp_store ，更多内容关注知乎专栏(或微信公众号)：NLP杂货铺。变量张量张量...
TensorFlow函数总览
Student_PAN的博客
12-19 906
Modules app模块：通用入口点脚本。 audio模块：tf.audio名称空间的公共API。 autograph模块：将纯Python转换为TensorFlow图形代码。 bitwise模块：用于操作整数的二进制表示的操作。 compat模块：Python 2与3兼容性的功能。 config模块：tf.config名称空间的公共API。 contrib模块：包含...
tf.sparse_to_dense用途
ronghwa_lu
10-18 482
tf.sparse_to_dense ( sparse_indices , #sparse_indices[i] 包含完整索引,这是 sparse_values[i] 将放置的位置. output_shape , sparse_values , #如果是标量,则所有稀疏索引都设置为该单个值. default_value = 0 , #所有其他值的 dense 都设置为 default_value. validate_indices = True , #如果为 Tr
tf.sparse_to_dense()
CSDN1HAO的博客
10-25 580
tf.sparse_to_dense import tensorflow as tf import numpy as np SIZE=6 CLASS=10 label=np.random.randint(0,10,size=SIZE) label=np.reshape(label,[SIZE,1]) index = np.reshape(np.arange(SIZE), [SIZE...
Tensorflow－tf.sparse_to_dense()
ZerinHwang
01-09 1161
对tf.sparse_to_dense()的参数concated的理解： batch_size = tf.size(labels) labels = tf.expand_dims(labels, 1) indices = tf.expand_dims(tf.range(0, batch_size, 1), 1) concated = tf.concat([indices, labels],...
学习tf.sparse_to_dense函数（代码实现）
涵默的博客
05-01 5394
学习tf.sparse_to_dense函数（代码实现）
使用tf.sparse_to_dense()时遇到的is out of order报错
ziliwangmoe的博客
07-31 1787
import tensorflow as tf indices=tf.constant([[1,3],[1,2],[4,2]]) dense=tf.sparse_to_dense(indices,[10,10], sparse_values=[1,2,3]) with tf.Session() as sess: print(sess.run(dense)) 问题现象：运行上面程序，报i...
Tensorflow2—tf.tile()
FlyDremever
09-06 472
tf.tile() 函数原型 tf.tile(input, multiples, name=None) 参数说明 input ： 张量。 一维或更高 multiples： 张量。 必须是以下类型之一：int32，int64。 一维长度必须与输入中的维度数相同 name ： A name for the operation (optional). 函数说明 根据multiples张量复制 input 产生新的张量。 multiples 中指定 input 中每一个维度的复制次数 a = tf
在使用tf.sparse_to_dense（）过程中遇到的一种问题及其解决办法
qq_41695397的博客
07-22 645
在使用tf.sparse_to_dense（）过程中遇到的一种问题及其解决办法问题描述：笔者在使用tf.sparse_to_dense（）将标签生成one-hot的过程中遇到了如下问题：在遍历网上的相似问题并采用建议的解决方案后，发现上述问题依然存在。在经历长时间的思考后，最后笔者通过阅读cifar_input.py的源码发现cifar-10（100）数据集的输入格式被限定为二进制的格式，通过重新...
sparse_to_dense（）和sparse_tensor_to_dense（）的用法
liguandong
01-20 1万+
Sparsetensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4]) dense tensor: [[1, 0, 0, 0] [0, 0, 2, 0] [0, 0, 0, 0]] tensorflow 使用三个dense tensor来表达一个sparse tensor：indices、value、dense_...
深度补偿模型sparse-to-dense测试
qq_20373723的博客
09-12 1368
稀疏深度图补偿
tf.tile
05-30
`tf.tile` 是 TensorFlow 的一个函数，用于在指定的维度上复制张量的数据。它的函数原型如下： ```python tf.tile( input, multiples, name=None ) ``` 其中， - `input`：需要复制的张量，可以是任意维度。 - `multiples`：一个由整数构成的张量，表示在每个维度上复制的倍数。`multiples` 的形状必须和 `input` 的形状相同或者是 `input` 形状的前缀。例如，当 `input` 的形状为 `(2, 3, 4)` 时，`multiples` 可以是 `(1, 2, 2)` 或 `(2, 1, 1)` 或 `(2, 3, 1, 1)` 等形状。 - `name`：操作的名称。 例如，假设 `x` 是一个形状为 `(3, 2)` 的张量，我们可以使用 `tf.tile` 将其在第一个维度上复制两次，第二个维度上复制三次，代码如下： ```python import tensorflow as tf x = tf.constant([[1, 2], [3, 4], [5, 6]]) x_tile = tf.tile(x, multiples=[2, 3]) print(x_tile) ``` 执行结果如下： ``` tf.Tensor( [[1 2 1 2 1 2] [3 4 3 4 3 4] [5 6 5 6 5 6] [1 2 1 2 1 2] [3 4 3 4 3 4] [5 6 5 6 5 6]], shape=(6, 6), dtype=int32) ``` 上面的代码中，`x_tile` 的形状为 `(6, 6)`，其中前两行是原来的 `x`，后两行是 `x` 在第一个维度上复制的结果，后三列是 `x` 在第二个维度上复制的结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值