【TensorFlow】——broadcast_to(在不复制内存的情况下自动扩张tensor)

最新推荐文章于 2024-05-06 09:09:37 发布
最新推荐文章于 2024-05-06 09:09:37 发布
阅读量919 收藏
点赞数
分类专栏： tensorflow 文章标签： tensorflow python 人工智能
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_45769063/article/details/106868273
版权
本文详细介绍了TensorFlow中广播机制的作用与内在思路，包括如何在不复制数据的情况下扩张tensor维度和形状，使两个tensor维度一致，以及广播在加减操作前的应用。对比了tf.broadcast_to与tf.tile的区别，阐述了广播的内存优势和自动填充便捷性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

 

作用：

内在的思路

优点

什么时候可以broadcast

​ tf.boradcast_to .VS  tf.tile

作用：

在不会实际意义上复制数据的情况下进行tensor的维度和形状的扩张，使得两个tensor维度和形状一致

对两个维度不一致的tensor进行加减前进行broadcast后，可以进行加减操作

内在的思路

1、小维度对齐

2、扩展维度使得二者维度一致

3、对每一个维度进行size的扩张，使得每个维度的长度一样

优点

1、减少内存

2、自动填充便捷

什么时候可以broadcast

维度不存在或者维度存在但是shape=1，则可以进行扩展

 

 

tf.boradcast_to .VS  tf.tile

MATLAB算法实战应用案例精讲-【概念篇】大模型
qq_36130719的博客
09-04 512
其发展历程主要分为以下几个阶段：传统机器学习模型阶段。20世纪90年代初，机器学习模型主要以逻辑回归、神经网络、决策树和贝叶斯方法等为代表。传统的机器学习模型最大的特点是模型规模较小，只能处理较小的数据集。深度学习模型阶段。深度学习模型的兴起可以追溯至20世纪80年代。但是受制于硬件和软件的限制，深度学习模型的应用一直受到限制。直到近年来，随着计算机硬件和软件的发展，深度学习模型得到了广泛应用。深度学习模型的代表包括卷积神经网络、循环神经网络、深度信念网络等。超大规模深度学习模型阶段。
Tensorflow（五） —— Tensor的broadcast_to操作
Cyrus_May的博客
04-06 867
Tensorflow（五） —— broadcast_to1 broadcast_to介绍1.1 key idea1.2how to understand1.3 why broadcasting1.4 broadcastable2 隐式3 显式4 tf.broadcast_to VS tf.tile 1 broadcast_to介绍 1.1 key idea insert into 1 dim ahead if needed expand dims with size 1 to same size 即
tf.broadcast_to()
我的博客
09-19 6445
tf.broadcast_to() tf.broadcast_to() 将原始矩阵成倍增加 参数： tf.broadcast_to( input, shape, name=None ) 使用案例： import tensorflow as tf a = [[1, 2, 3], [4, 5, 6]] b = [4, 6] sess = tf.Session() print...
tf.broadcast_to
luoganttcc的博客
06-22 311
import tensorflow as tf x = tf.constant([1, 2, 3]) y = tf.broadcast_to(x, [5, 3]) print(y) tf.Tensor( [[1 2 3] [1 2 3] [1 2 3] [1 2 3] [1 2 3]], shape=(5, 3), dtype=int32)
深度学习（9）TensorFlow基础操作五: Broadcasting
weixin_43360025的博客
08-10 965
深度学习（9）TensorFlow基础操作五: Broadcasting1. 操作思想2. 具体例子3. 理解(1) How to understand?(2) Why Broadcasting?4. Broadcasting使用条件5. Broadcasting的优点6. x+tf.random.normal([3])7. tf.broadcast_to()8. Broadcast VS Tile Broadcasting expand without copying data VS tf.tile
tensorflow2深度学习从入门到精通第四章—TensorFlow 基础
2401_84097883的博客
04-20 979
点击这里即可免费获取，包括答案解析。本节我们将利用我们已经学到的知识去完成三层神经网络的实现：我们采用的数据集是 MNIST 手写数字图片集，输入节点数为 784，第一层的输出节点数是256，第二层的输出节点数是 128，第三层的输出节点是 10，也就是当前样本属于 10 类别的概率。首先创建每个非线性函数的 w,b 参数张量：在前向计算时，首先将 shape 为[b,28,28]的输入数据 Reshape 为[b,784] 即 [b, 28, 28] => [b, 28*28]
tensorflow2深度学习从入门到精通第四章—TensorFlow 基础(1)
最新发布
2401_84097964的博客
05-06 804
除了初始化为全 0，或全 1 的张量之外，有时也需要全部初始化为某个自定义数值的张量，比如将张量的数值全部初始化为-1 等。通过 tf.fill(shape, value)可以创建全为自定义数值 value 的张量。例如，创建元素为-1的标量：自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。深知大多数初中级Android工程师，想要提升技能，往往是自己摸索成长，自己不成体系的自学效果低效漫长且无助。
tf.broadcast_to() 详解
Asdas_的博客
03-19 7312
语法： tf.broadcast_to( input, shape, name=None ) 作用：利用广播将原始矩阵成倍增加，广播是使数组具有兼容形状以进行算术运算的过程。 如果对于每个尺寸对，两个形状是相等的或其中之一是一个，则两个形状是兼容的。 举个栗子： >>>x = tf.constant([1, 2, 3]) >>>y = tf.broa...
np.broadcast_to 函数
热门推荐
Loong Cheng的博客
01-28 1万+
np.broadcast_to函数将数组广播到新形状。 In [1]: import numpy as np In [3]: a = np.arange(4).reshape(1,4) In [4]: a Out[4]: array([[0, 1, 2, 3]]) In [5]: np.broadcast_to(a,(4,4)) Out[5]: array([[0, 1, 2, 3], ...
tensorflow2.0中的Broadcasting用法
starlet_kiss的博客
04-12 428
Broadcasting是tensorflow2.0中一个很重要的用法，张量维度扩张的手段，但是没有在数据层面上的复制。是一种数据优化的手段。高效且直观。 Broadcasting的机制 ①进行维度的扩展。 ②不进行数据的复制，不另外开辟空间。 ③本质和tf.tile不一样。 ④tf.broadcast_to 主要过程 1.给需要位置插入一个维度，例如[2,2,3,4]+[3,4]的运算，其中[3,4]这组数据，首先扩展为[1,1,3,4]. 2.给dim为1的扩展为所需要的数量。上面那个例子。[3,4]
tensotflow中tf.title（）和tf.broadcast（）
Leiroy的博客
08-11 837
其中，input表示要复制的张量，multiples表示每个维度上复制的次数，可以是一个整数或一个整数列表。如果multiples是一个整数，则表示在所有维度上复制相同的次数；如果multiples是一个整数列表，则表示在每个维度上复制不同的次数。name表示操作的名称。tf.tile()函数会将输入张量沿着每个维度复制指定次数，得到一个新的张量。例如，如果输入张量的形状是multiples是一个整数列表，表示在第二个和第三个维度上复制两次，那么输出张量的形状会变为。结合一个例子来讲解一下假设有一个形状为。
numpy中broadcast_to(),expand_dims(),squeeze()维度修改函数
qq_42995425的博客
09-27 674
numpy中的修改维度函数 1 import numpy as np arr1=np.arange(4).reshape(1,4)#注意reshape是ndarray的方法 arr1.broadcast_to(a,(4,4)) array([[0, 1, 2, 3], [0, 1, 2, 3], [0, 1, 2, 3], [0, 1, 2, 3]]) broadcast_to()方法返回只读视图，不能修改数据。 2 expand_dims() arr2=np.array([[1,2],[3,4]]) a
07. Tensorflow2.0中的broadcasting
11-23 191
1. Broadcasting 1.1. Outline expand without copying data VS tf.tile tf.broadcast_to 1.2. Key idea Insert 1 dim ahead if needed Expand dims with size 1 to same size Feature maps: [4, 32, 32, 3] B...
Python numpy.broadcast_to函数方法的使用
亮亮的专栏
08-29 3196
NumPy（Numerical Python的缩写）是一个开源的Python科学计算库。使用NumPy，就可以很自然地使用数组和矩阵。NumPy包含很多实用的数学函数，涵盖线性代数运算、傅里叶变换和随机数生成等功能。本文主要介绍一下NumPy中broadcast_to方法的使用。 原文地址：Python numpy.broadcast_to函数方法的使用 ...
Tensorflow学习笔记----维度变换、broadcasting、数学运算
weixin_43580130的博客
08-12 342
一．维度变换 **tf.reshape(a,[……])：**可以重新定义元素的shape以便数据被更好的利用 #要保证reshape中[]中的所有值之积 = a的各维的数之积 a = tf.random.normal([4,28,28,3]) print(tf.reshape(a,[4,784,3]).shape) #out:(4,784,3)，4*28*28*3 = 4*784*3 print(tf.reshape(a,[4,-1,3]).shape) #out:(4,784,3),这里-1相
tensorflow 2.0 基础操作 之 Broadcasting机制
ZHE
04-16 3112
3.4_ BroadcastingBroadcasting 机制主要过程理解优点能否 Broadcasting练习tf.broadcast_toBroadcast VS Tile 张量维度扩张的手段，但是没有在数据层面上的复制。 是一种数据优化的手段。高效且直观。 Broadcasting 机制 expand without copying data VS tf.tile 进行数据层面上的 c...
Effective TensorFlow Chapter 4: TensorFlow中的广播Broadcast机制
机器学习杂货铺1号店
12-10 5143
Effective TensorFlow Chapter 4: TensorFlow中的广播Broadcast机制本文翻译自： 《Broadcasting the good and the ugly》， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。TensorFlow支持广播机制（Broadcast），可以广播元素间操作(elementwise operations)。正常情
numpy.broadcast_to
08-13
NumPy中的broadcast_to函数是用来将数组广播到指定形状的函数。广播是一种在不进行复制的情况下，使用较小的数组来操作较大的数组的机制。该函数接受两个参数，第一个参数是要广播的数组，第二个参数是目标形状。广播的规则是，将较小的数组在某些维度上进行复制，使得两个数组可以进行元素级别的操作。最终，较小的数组将会被复制到与较大的数组具有相同形状的位置上。 下面是一个使用broadcast_to函数的示例代码： ```python import numpy as np a = np.array([[1, 2, 3]]) b = np.broadcast_to(a, (3, 3)) print("原数组 a：") print(a) print("调用 broadcast_to 函数之后的数组 b：") print(b) ``` 运行结果如下： ``` 原数组 a： [[1 2 3]] 调用 broadcast_to 函数之后的数组 b： [[1 2 3] [1 2 3] [1 2 3]] ``` 在这个示例中，我们创建了一个形状为(1, 3)的数组a，然后使用broadcast_to函数将其广播到形状为(3, 3)的数组b。由于广播的规则，数组a在第一个维度上被复制了3次，最终得到了与数组b具有相同形状的结果。 (出处: Python numpy.broadcast_to函数方法的使用) (出处: Python numpy.expand_dims函数方法的使用) (出处: Python numpy.squeeze函数方法的使用)<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [Python numpy.broadcast_to函数方法的使用](https://blog.csdn.net/a991361563/article/details/119977132)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] - *2* *3* [Python-Numpy多维数组--数组操作](https://blog.csdn.net/Odyssues_lee/article/details/85252366)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]
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

打赏作者

有情怀的机械男

你的鼓励将是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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