tensorflow中的 tf.argmax() 和 tf.argmin() 函数使用

最新推荐文章于 2021-08-13 22:38:53 发布
最新推荐文章于 2021-08-13 22:38:53 发布
阅读量2.2k 收藏 3
点赞数
分类专栏： 深度学习 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_37691909/article/details/84822972
版权

一、首先来看官方文档的解释：（https://tensorflow.google.cn/api_docs/python/tf/arg_max   官方文档地址）

（注意：在不同的版本中，有两种形式 arg_max 和 argmax，官方说明在以后会舍弃前者）

函数原型：

tf.arg_max(
    input,
    dimension,
    output_type=tf.int64,
    name=None
)

Returns the index with the largest value across dimensions of a tensor.  返回结果是该张量在某个维度上的最大值的索引号。

Args:      （各个参数的解释）

  • input: A Tensor. Must be one of the following types: float32, float64, int32, uint8, int16, int8, complex64, int64, qint8, quint8, qint32, bfloat16, uint16, complex128, half
最低0.47元/天 解锁文章
乂乂乂乂
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
tensorflow.rar python3.5配套使用
12-14
`tf.argmax`和`tf.equal`可用于预测。 11. **数据预处理**：TensorFlow提供了`tf.data` API，用于读取、转换和批处理数据，便于模型训练。 12. **Eager Execution**：在TensorFlow 1.x中，你可以启用Eager ...
numpy 和tensorflow中argmax()，argmin()函数使用讲解
qq1483661204的博客
01-03 2万+
在使用argmax()函数时，比如在深度学习里面计算acc经常要用到这个参数，这个参数返回的是沿轴axis最大值的索引值，对于，tensorflow和numpy用法是一样的，此处我就用numpy来举例说明。argmax(a, axis=None, out=None) # a 表示array # axis 表示指定的轴，默认是None，表示把array平铺， # out 默认为None，如果指定，那么
深度学习（13）TensorFlow高阶操作二: 数据统计
weixin_43360025的博客
08-13 639
深度学习（13）TensorFlow高阶操作二: 数据统计一. tf.norm1. 范数定义2. tf.norm（二范数）3. L1 Norm（一范数）二. reduce_min/max/mean三. argmax/argmin四. tf.equal1. tf.equal定义及用法2. 求解正确率实例五. tf.unique Outline tf.norm（范数） tf.reduce_min/max（最大值/最小值） tf.argmax/argmin（最大值/最小值的位置） tf.equal（两个张量的比
tf.arg_min
luoganttcc的博客
07-30 189
tf.arg_min　返回最小值的索引 import tensorflow as tf a = [1, 10, 26.9, 2.8, 166.32, 62.3] b = tf.math.argmin(input = a) c = tf.keras.backend.eval(b) # c = 0 # here a[0] = 1 which is the smallest element of a across axis 0
Tensorflow一些常用基本概念与函数（1）
lenbow的博客
08-08 15万+
摘要：本文主要对tf的一些常用概念与方法进行描述。
tf.argmax()以及axis解析
萝卜虫的博客
04-23 6万+
用tensorflow做CNN_TEXT文本分类时，看到这个API，然后去官网查了一下，再看了一下别的资料，算是明白它的处理方式了。 首先，明确一点，tf.argmax可以认为就是np.argmax。 　　简单的说，tf.argmax就是返回最大的那个数值所在的下标。 这个很好理解，只是tf.argmax()的参数让人有些迷惑，比如，tf.argmax(array, 1)和tf.argmax(arr
np.argmax()函数用法解析——通俗易懂
12-22
numpy.argmax(array, axis) 用于返回一个numpy数组中最大值的索引值。当一组中同时出现几个最大值时，返回第一个最大值的索引值。 在运算时，相当于剥掉一层中括号，返回一个数组，分为一维和多维。一维数组剥掉一层...
argmin.rar_argmin_matlab argmin
07-15
function I = argmin(X, DIM)
使用TensorFlow.js和 ImageNet 预训练 MobileNet 的 WebCam 图像识别.zip
07-14
可以使用`tf ArgMax`操作来找出最高概率对应的索引。 7. **实时更新**：将识别结果实时展示在页面上，可以每秒进行多次预测以实现连续的图像识别。 8. **优化与性能**：为了提高性能，可以使用TensorFlow.js的`tf....
argumentmax.rar_ArgMax MATLAB_argmax_matlab argmax
07-14
在MATLAB编程环境中，`argmax`函数是一个非常重要的工具，用于寻找数组中最大值的索引位置。本文将深入探讨`argmax`函数的工作原理、...在实际编程中，结合其他函数和控制结构，我们可以构建出强大的算法和解决方案。
tf.argmax(), tf.maximum(a, b) , np.amax() , numpy.maximum(),np.argmax()系列最大最小值函数用法速查
未名方略
11-01 1132
numpy.ndarray.max()   和 numpy.amax() 一样。 numpy,amax() Return the maximum of an array or maximum along an axis. 关于axis, 请看https://blog.csdn.net/Arctic_Beacon/article/details/83307785 numpy.maximum(...
深度学习之tensorflow的探索
u012896627的博客
06-06 793
Tensorflow的使用方法和代码演示 第一部分 tensorflow的运行流程，主要分2步，分别是构造模型和训练 Tensorflow 中的几个概念是tensor,variable,placeholder,训练阶段需要session 1,tensor的意思是张量，其实就是矩阵，tensorflow 中的矩阵表示形式， a=tf.zeros(shape=[1,2]) 不过要注意，
tf.argmax函数
秋叶原的黑猫的博客
04-02 558
原文链接：https://blog.csdn.net/u013580539/article/details/79339250 关于tf.argmax，我看到网上的资料有些杂乱难以理解，所以写这篇文章。在tf.argmax( , )中有两个参数，第一个参数是矩阵，第二个参数是0或者1。0表示的是按列比较返回最大值的索引，1表示按行比较返回最大值的索引。下面上代码： import tensorflow as tf Vector = [1,1,2,5,3] #定义一个向量 X = [[1,3,
数学中常见的arg min，arg max是什么意思
热门推荐
JayMining的博客
10-02 20万+
arg    是变元（即自变量argument）的英文缩写。 arg min 就是使后面这个式子达到最小值时的变量的取值 arg max 就是使后面这个式子达到最大值时的变量的取值 例如 函数F(x,y): arg  min F(x,y)就是指当F(x,y)取得最小值时，变量x,y的取值 arg  max F(x,y)就是指当F(x,y)取得最大值时，变量x,y的取值
argmin,argmax
知之可否
03-10 1万+
ARG MIN的含义是什么？ 最通俗的理解：表示使目标函数取最小值时的变量值 http://blog.csdn.net/xuehuic/article/details/7325666
TensorFlow学习笔记之五——源码分析之最近算法
weixin_30449453的博客
05-23 181
import numpy as np import tensorflow as tf # Import MINST data import input_data mnist = input_data.read_data_sets("/tmp/data/", one_hot=True) #这里主要是导入数据，数据通过input_data.py已经下载到/tmp/data/目录之下了，这里下载数...
【Tensorflow】tf.nn.relu函数
zj360202的专栏
04-20 2万+
tf.nn.relu(features, name=None)  = max(0, features) 参数： features：A `Tensor`. 必须类型: `float32`, `float64`, `int32`, `int64`, `uint8`, `int16`, `int8`, `uint16`, `half`. name：名称 返回：Tensor
tf.argmax与numpy.argmax
qq_38251389的博客
03-25 574
先看下官网定义： tf.argmax tf.argmax( input, axis=None, name=None, dimension=None, output_type=tf.int64 ) Defined in tensorflow/python/ops/math_ops.py. See the guide: Math > Sequence C...
import tensorflow as tf import numpy as np import gym # 创建 CartPole 游戏环境 env = gym.make('CartPole-v1') # 定义神经网络模型 model = tf.keras.models.Sequential([ tf.keras.layers.Dense(24, activation='relu', input_shape=(4,)), tf.keras.layers.Dense(24, activation='relu'), tf.keras.layers.Dense(2, activation='linear') ]) # 定义优化器和损失函数 optimizer = tf.keras.optimizers.Adam() loss_fn = tf.keras.losses.MeanSquaredError() # 定义超参数 gamma = 0.99 # 折扣因子 epsilon = 1.0 # ε-贪心策略中的初始 ε 值 epsilon_min = 0.01 # ε-贪心策略中的最小 ε 值 epsilon_decay = 0.995 # ε-贪心策略中的衰减值 batch_size = 32 # 每个批次的样本数量 memory = [] # 记忆池 # 定义动作选择函数 def choose_action(state): if np.random.rand() < epsilon: return env.action_space.sample() else: Q_values = model.predict(state[np.newaxis]) return np.argmax(Q_values[0]) # 定义经验回放函数 def replay(batch_size): batch = np.random.choice(len(memory), batch_size, replace=False) for index in batch: state, action, reward, next_state, done = memory[index] target = model.predict(state[np.newaxis]) if done: target[0][action] = reward else: Q_future = np.max(model.predict(next_state[np.newaxis])[0]) target[0][action] = reward + Q_future * gamma model.fit(state[np.newaxis], target, epochs=1, verbose=0) # 训练模型 for episode in range(1000): state = env.reset() done = False total_reward = 0 while not done: action = choose_action(state) next_state, reward, done, _ = env.step(action) memory.append((state, action, reward, next_state, done)) state = next_state total_reward += reward if len(memory) > batch_size: replay(batch_size) epsilon = max(epsilon_min, epsilon * epsilon_decay) print("Episode {}: Score = {}, ε = {:.2f}".format(episode, total_reward, epsilon))next_state, reward, done, _ = env.step(action) ValueError: too many values to unpack (expected 4)优化代码
最新发布
05-24
问题出现在最后一个环节中。根据 OpenAI Gym 的文档，CartPole-v1 环境的 step() 函数返回的是四个值，分别是下一个状态、本次动作的奖励、游戏是否结束和一些额外信息。而在原始代码中，使用了一个 _ 变量来占位，但实际上返回的值个数超过了 4，导致程序报错。解决这个问题的方法是将 _ 变量改成一个列表变量，如下所示： ```python next_state, reward, done, info = env.step(action) ``` 同时，建议将神经网络模型的优化器改成 RMSprop，这是一个更加适合强化学习问题的优化器。最后，为了更好地观察训练效果，可以将每个回合的得分输出到日志中，而不是只输出最后一个回合的得分。下面是修改后的代码： ```python import tensorflow as tf import numpy as np import gym # 创建 CartPole 游戏环境 env = gym.make('CartPole-v1') # 定义神经网络模型 model = tf.keras.models.Sequential([ tf.keras.layers.Dense(24, activation='relu', input_shape=(4,)), tf.keras.layers.Dense(24, activation='relu'), tf.keras.layers.Dense(2, activation='linear') ]) # 定义优化器和损失函数 optimizer = tf.keras.optimizers.RMSprop(learning_rate=0.001) loss_fn = tf.keras.losses.MeanSquaredError() # 定义超参数 gamma = 0.99 # 折扣因子 epsilon = 1.0 # ε-贪心策略中的初始 ε 值 epsilon_min = 0.01 # ε-贪心策略中的最小 ε 值 epsilon_decay = 0.995 # ε-贪心策略中的衰减值 batch_size = 32 # 每个批次的样本数量 memory = [] # 记忆池 # 定义动作选择函数 def choose_action(state): if np.random.rand() < epsilon: return env.action_space.sample() else: Q_values = model.predict(state[np.newaxis]) return np.argmax(Q_values[0]) # 定义经验回放函数 def replay(batch_size): batch = np.random.choice(len(memory), batch_size, replace=False) for index in batch: state, action, reward, next_state, done = memory[index] target = model.predict(state[np.newaxis]) if done: target[0][action] = reward else: Q_future = np.max(model.predict(next_state[np.newaxis])[0]) target[0][action] = reward + Q_future * gamma model.fit(state[np.newaxis], target, epochs=1, verbose=0, optimizer=optimizer, loss=loss_fn) # 训练模型 for episode in range(1000): state = env.reset() done = False total_reward = 0 while not done: action = choose_action(state) next_state, reward, done, info = env.step(action) memory.append((state, action, reward, next_state, done)) state = next_state total_reward += reward if len(memory) > batch_size: replay(batch_size) epsilon = max(epsilon_min, epsilon * epsilon_decay) print("Episode {}: Score = {:.2f}, ε = {:.2f}".format(episode, total_reward, epsilon)) ``` 注意，由于 RMSprop 的学习率比 Adam 更小，因此需要将其设为 0.001。如果学习率太高，会导致训练不稳定或不收敛。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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