本文介绍了一种快速批量计算TensorFlow直方图的方法，针对官方API不支持批量直方图计算的问题，提出了通过连续值转整型进行分桶的策略。通过创建特定的mask矩阵并进行比较加和，可以高效地得到(batch_size, nbins)形状的批量直方图结果。"
136597969,22475700,理解卷积神经网络：卷积核的原理与作用,"['深度学习', '卷积神经网络', '图像处理', '机器学习', '计算机视觉']
最近在实现DRRM, 计算直方图，官方的api, tf.histogram_fixed_width不支持批量的直方图计算
在网上搜了一些方法，https://stackoverflow.com/questions/41764199/row-wise-histogram/，但是运算速度都比较慢，我自己想了一种，根据连续值转整型的方法，来进行批量计算直方图。
- tensor: 是输入的tensor
- nbins: 目标分桶个数
- row_num, col_num：输入的行列长度
直接输入 tensor 下面的函数就可以返回结果为 (row_num, nbins)的批量直方图结果.
输入的tensor会乘以nbins, 然后取整，其实就是对输入进行了分桶了。
其原理大致是生成一个 [nbins, row_num, nbins] 的mask矩阵，针对第0维度，每个位置的值，就是这个位置的序号。比如[0, row_num, nbins] 的所有值为0， [1, row_num, nbins] 的所有值为1,… etc
分桶后的值与mask分别进行==对比，然后加和，就可以得到每个桶内的值了，即直方图
def histogram_v3_nomask(tensor, nbins, row_num
最低0.47元/天 解锁文章
扫一扫
3218
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
