tf.RaggedTensor

最新推荐文章于 2024-05-30 20:21:19 发布
最新推荐文章于 2024-05-30 20:21:19 发布
阅读量1.1k 收藏
点赞数
分类专栏： python 文章标签： tensorflow 深度学习 机器学习
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_42037273/article/details/121764190
版权

吐槽：看了半天看懂一点
官网链接：https://tensorflow.google.cn/api_docs/python/tf/RaggedTensor
参考博文：https://blog.csdn.net/jackhh1/article/details/102690290
ragged是不规则的意思
raggedtensor是不规则的张量
没有学习整个文档，对学习到的陈述。
举例
在这里插入图片描述
原来的tensor是[3, 1, 4, 1, 5, 9, 2, 6] row_splits是切分下标。从row_split参数 可知会被分成五份 0-4(不包括下标为4的元素即[3,1,4,1]) 4-4(即为空[]) 4-7([5,9,2], 7-8([6], 8-8([])))
不规则张量来处理可变特征

REALLYAI
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Tensorflow tf.tile()的用法实例分析
09-16
**TensorFlow中的`tf.tile()`函数** `tf.tile()`是TensorFlow库中用于创建重复张量的一个函数。这个函数能够将输入张量沿着指定的维度进行复制，从而生成一个新的张量，新张量的每个维度大小是输入张量对应维度大小...
TensorFlow2.0(七)--基础API使用
魔法师の屋子★↓☆
04-05 3352
基础API使用1. 常量tf.constant1.1 导入相应的库1.2 tf.constant的索引操作1.3 tf.constant的算子操作1.4 numpy与tf.constant之间的转化2. 字符串tf.strings3. ragged tensor3.1 ragged tensor的索引操作3.2 ragged tensor的算子操作3.3 ragged tensor 转化为普通的t...
TensorFlow2.0学习笔记(二）
qq_36782366的博客
04-10 1177
TensorFlow2.0学习笔记(二）基础运算API的使用tf.constant 创建一个常量:简单运算，加，平方，转置后相乘：numpy conversion:string类型的变量以及数组，如何初始化，如何查看长度：ragged tensorragged tensor 拼接：ragged tensor转化为tensorsparse tensor乘法、矩阵相乘变量变量的赋值操作自定义损失函数...
Tensorflow：不规则张量tf.RaggedTensor学习和测试
最新发布
2401_85327249的博客
05-30 1052
最近有个需求使用KPRN算法预测一组输入序列的得分，问题在于不同端点之间的这一组序列数量不一致，而每一个最小颗粒度序列都需要过一个LSTM层，在LSTM之后归属于同一对端点的序列需要合并为一组，例如输入100个序列在经过LSTM+２层全连接之后得到100个值\[V1,V2,V3....,V100\]，然后归属于同一组的至需要聚合，比如\[\[V1, V2\], \[V3, V4, V5\] ,\[V100\]\]，此时已经不能使用tensorflow的reshape算子，引出不规则矩阵**tf.Ragged
Tensorflow数据类型基础（几种Tensor）
weixin_43335640的博客
12-02 529
tf.sparse.reorder(t4_1):parse无顺序时，不能转为tensor，会报错，此时使用这个接口重排后再用to_dense。tf.sparse.to_dense(t4):SpareTensor转换为Tensor的接口。2.to_tensor():类型3转换为Tensor的接口，方便模型使用。1.作用：3和4的意义都是为了节省内存空间，磁盘空间。constant类型与numpy类型的互相转换。
TensorFlow2.0入门到进阶3.3 —— 基础数据类型API之strings与ragged_tensor
caoyuan666的博客
07-28 604
文章目录1、strings1.1 strings是什么？1.2 tf.strings 的优点是什么？ 1、strings 1.1 strings是什么？ 看到strings，这个不是字符串吗？没错，它在这里的作用就是字符串，那tensorflow为什么还要单独拿出来呢，Python已经有字符串了呀！ 其实，加入tf.strings的其中一个重要的作用是可以使字符串成为TensorFlow的第一公民，可以直接加入到模型的输入中，这对NLP领域是很有用的 1.2 tf.strings 的优点是什么？ 之前在NL
Tensorflow Ragged Tensors
weixin_43378751的博客
03-08 1240
(根据官文，要安装tf-nightly) Ragged Tensors即tf提供的不规则形状，或者说可变元素长度的tensor。 比如： digits = tf.ragged.constant([ [3, 1, 4, 1], [], [5, 9, 2], [6], []]) 或者 words...
tf API：网络构建模块tf.nn，tf.layers， tf.contrib
01-06
在使用tensorflow构建神经网络时，经常看到tf.nn，tf.layers，tf.contrib这三个模块，它们有很多函数的功能是相同的，部分可以混用，这就导致使用者很容易被迷惑，本文在此做一下笔记以理清思路。 tf.nn：用于原始...
浅谈tensorflow使用张量时的一些注意点tf.concat,tf.reshape,tf.stack
12-17
tensorflow1.0以前函数用法：tf.concat(concat_dim, values, name=’concat’)，第一个参数为连接的维度，可以将几个向量按指定维度连接起来。 如： t1 = [[1, 2, 3], [4, 5, 6]] t2 = [[7, 8, 9], [10, 11, 12]] #...
关于tf.TFRecordReader()函数的用法解析
09-17
### tf.TFRecordReader()函数详解 #### 一、引言 在深度学习与机器学习领域，高效地处理大量数据是十分重要的。TensorFlow作为一款流行的开源机器学习框架，提供了多种工具来帮助开发者管理和处理数据集。其中，`tf...
tf.truncated_normal与tf.random_normal的详细用法
09-20
TensorFlow提供了多种生成随机数的操作，其中`tf.truncated_normal`和`tf.random_normal`是两个常用的函数，它们都可以生成正态分布（高斯分布）的随机数，但使用场景和生成的数据分布特性有所不同。 `tf.truncated...
TensorFlow2.0 Guide 官方教程 学习笔记13- Ragged Tensors
jackhh1的博客
10-24 3792
本笔记参照TensorFlow官方教程，主要是对‘Ragged Tensors’教程内容翻译和内容结构编排，原文链接：Ragged Tensors 目录 创建环境（Setup） 一、概率（Overview） 1.1 我们能用不规则张量（ragged tensor）做什么 1.2 创建一个不规则张量 1.3 我们能在不规则张量里存储什么 1.4 用例 二、不规则张量：定义 2.1 不规则和统一维度 ...
TensorFlow2.0入门到进阶系列——3_TensorFlow基础API
Xiaobai_rabbit0的博客
05-10 360
3_TensorFlow基础API1 @tf.function1.1 API列表1.2 基础API2 自定义损失函数与DenseLayer2.1、自定义损失函数2.2、自定义层次3 tf.function函数转换4 函数签名（类型）与图结构 先上图，后改思维导图 1 @tf.function 将python函数编译成tf的图结构（eg:if、for、while、break、print、递归调用、列表方法等） 易于将python写的模型导出为GraphDef + checkpoint或者SavedMode
TensorFlow2.x——strings & ragged_tensor 讲解
一只攻城狮的博客
02-22 1317
strings & ragged_tensor 讲解 本文只是简略介绍其中的一些方法，更为详细的API应用请参考官文文档, 链接：https://tensorflow.google.cn/versions/r2.0/api_docs/python 代码示例： 引用函数库 import tensorflow as tf import numpy as np #strings t...
TensorFlow支持Unicode，中文NLP终于省心了
AI科技大本营
12-20 5608
整理 | 非主流出品 | AI科技大本营终于，TensorFlow 增加了对 Unicode 的支持。什么是 Unicode？Unicode 是计算机科学领域里的一项业界...
TensorFlow Core R2.0 Python Reference —— Module: tf
ctrigger的专栏
10-07 285
Modules audio module: Public API for tf.audio namespace. autograph module: Conversion of plain Python into TensorFlow graph code. bitwise module: Operations for manipulating the binary representati...
tf.constant,tf.strings,RaggedTensor,SparseTensor,tf.Variable实例--tensorflow2.0学习笔记
qq_36421001的博客
12-10 478
导入所需库： import tensorflow as tf import numpy as np t = tf.constant([[1.,2.,3.],[4.,5.,6.]])#二维向量 print(t) print(t[:,1:])#打印第二列之后的 print(t[...,1])#打印第二列 print(t[...,0])#打印第1列 print(t[0])#取第一行 print(t[0...
TensorRT4.0开发手册（1）
abrams90的专栏
05-21 7537
 第一章 综述NVIDIA的TensorRT是一个基于GPU高性能前向运算的C++库。TensorRT导入网络定义，通过合并tensors与layers，权值转换，选择高效中间数据类型，基于层参数与性能评估的选择，来进行网络优化。TensorRT提供模型导入途径来帮助你对训练好的深度学习模型进行表示，同于TensorRT的优化与运行。这种优化工具自动进行图优化，层融合，并利用多样化的高度优化的计算...
# 设置输入层节点数、隐层节点数 in_nodes=784 h1_nodes=100 h2_nodes=100 h3_nodes=50 # 定义输入、输出、prob的placeholder x=tf.placeholder(tf.float32,[None,in_nodes]) y_=tf.placeholder(tf.float32,[None,10]) prob=tf.placeholder(tf.float32) # 设置第一隐层 w1=weight(in_nodes, h1_nodes, 0.1, 0.005) b1=tf.Variable(tf.zeros([h1_nodes])) h1=tf.nn.relu(tf.matmul(x,w1)+b1) # 设置第二隐层 w2=weight(h1_nodes, h2_nodes, 0.1, 0.0) b2=tf.Variable(tf.zeros([h2_nodes])) h2=tf.nn.relu(tf.matmul(h1,w2)+b2) h2_drop=tf.nn.dropout(h2, prob) # 设置第三隐层 w3=weight(h2_nodes, h3_nodes, 0.1, 0.0) b3=tf.Variable(tf.zeros([h3_nodes])) h3=tf.nn.relu(tf.matmul(h2_drop,w3)+b3) h3_drop=tf.nn.dropout(h3, prob) # 设置softmax输出层 w4=weight(h3_nodes, 10, 0.1, 0.0) b4=tf.Variable(tf.zeros([10])) y=tf.nn.softmax(tf.matmul(h3_drop,w4)+b4)
06-10
将上述代码改写成 TensorFlow 2.x 版本的代码如下： ```python import tensorflow as tf def weight(shape, stddev, wd): initial = tf.random.truncated_normal(shape, stddev=stddev) var = tf.Variable(initial) if wd is not None: weight_decay = tf.multiply(tf.nn.l2_loss(var), wd, name='weight_loss') tf.add_to_collection('losses', weight_decay) return var class MyModel(tf.keras.Model): def __init__(self, in_nodes=784, h1_nodes=100, h2_nodes=100, h3_nodes=50): super(MyModel, self).__init__() self.w1 = weight([in_nodes, h1_nodes], 0.1, 0.005) self.b1 = tf.Variable(tf.zeros([h1_nodes])) self.w2 = weight([h1_nodes, h2_nodes], 0.1, 0.0) self.b2 = tf.Variable(tf.zeros([h2_nodes])) self.w3 = weight([h2_nodes, h3_nodes], 0.1, 0.0) self.b3 = tf.Variable(tf.zeros([h3_nodes])) self.w4 = weight([h3_nodes, 10], 0.1, 0.0) self.b4 = tf.Variable(tf.zeros([10])) def call(self, inputs, prob): x = inputs y_ = tf.cast(inputs, tf.float32) h1 = tf.nn.relu(tf.matmul(x, self.w1) + self.b1) h2 = tf.nn.relu(tf.matmul(h1, self.w2) + self.b2) h2_drop = tf.nn.dropout(h2, rate=prob) h3 = tf.nn.relu(tf.matmul(h2_drop, self.w3) + self.b3) h3_drop = tf.nn.dropout(h3, rate=prob) y = tf.nn.softmax(tf.matmul(h3_drop, self.w4) + self.b4) return y model = MyModel() x = tf.keras.Input(shape=(None, 784)) prob = tf.keras.Input(shape=()) y = model(x, prob) y_ = tf.keras.Input(shape=(None, 10)) # 定义损失函数 cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.math.log(y), reduction_indices=[1])) tf.add_to_collection('losses', cross_entropy) loss = tf.add_n(tf.get_collection('losses')) # 定义优化器 train_step = tf.train.AdamOptimizer(1e-4).minimize(loss) # 训练模型 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for i in range(1000): batch_xs, batch_ys = mnist.train.next_batch(100) sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys, prob: 0.5}) ``` 在 TensorFlow 2.x 中，可以使用 `tf.reduce_mean` 和 `tf.reduce_sum` 函数来计算张量的平均值和总和；使用 `tf.math.log` 函数来计算张量的自然对数。此外，可以使用 `tf.train.AdamOptimizer` 来定义优化器，使用 `model.trainable_variables` 来获取所有可训练的变量。
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