深度学习（17）TensorFlow高阶操作六: 高阶OP

Outline

• where
• scatter_nd
• meshgrid

1. Where(tensor)

where只有一个参数tensor的时候，会返回这个tensor中所有值为True的坐标。

(1) mask=a>0: 将a中大于0的元素标位True，小于0的元素标为False，最后形成一个mask;
(2) tf.boolean_mask(a, mask): 将a按照mask来筛选出大于0的元素;
(3) indices = tf.where(mask): 利用where()函数将mask中值为True的坐标拿出来;
(4) tf.gather_nd(a, indices): 利用gather_nd()函数将a按照indices取出元素;

2. where(cond, A, B)

如果where()中有3个参数，那么就会根据True/False以及A和B来构建新的Tensor;

(1) tf.where(mask, A, B): 根据mask中True和False的分布来构建新的Tensor，其中，True的值对应A中的元素值1，False的值对应B中的元素值0。

3. 1-D scatter_nd

根据坐标进行有目的性地更新

• tf.scatter_nd(
  • indices,
  • updates,
  • shape
    

其中，shape为模板，updates里放的是坐标，output是结合了shape和updates的坐标;

(1) tf.scatter_nd(indices, updates, shape): 将indices和updates对应后放入到shape中，即: 第5个元素放入9，第4个元素放入10，第2个元素放入11，第8个元素放入12。

4. 2-D scatter_nd

(1) tf.scatter_nd(indices, updates, shape): 将indices和updates的元素对应后放入到shape中;

5. meshgrid

在3-D图像上利用坐标将函数画出来。

(1) Points（点的范围）

• [y, x, 2]
  • [5, 5, 2]
• [N, 2]
  

如上图所示，一共有25个点，每个点由2个坐标（x和y）来表示，这样其shape=[25, 2];

(2) Numpy

其中y为[-2, 2]间隔5个点; x为[-2, 2]间隔5个点; 再将这些点保存到points=[]里;
这个方法是利用Numpy来实现的，没有经过GPU加速，而且无法与TensorFlow深度结合在一起。

(3) GPU acceleration

• x: [-2~2]
• y: [-2~2]
  $\to$
• Points: [N, 2]
  

y = tf.linspace(-2., 2, 5): 给出y的范围，即[-2., -1., 0., 1., 2.];
x = tf.linspace(-2., 2, 5): 给出x的范围，即[-2., -1., 0., 1., 2.];
points_x, points_y = tf.meshgrid(x, y): 将坐标(x, y)中的x和y拆开分别保存到两个Tensor中去，即points_x和points_y;

(4) 还原

Points: [N, 2]

points = tf.stack([points_x, points_y], axis=2): 利用stack()函数进行第3个维度的合并;

(5) 应用

例如，我们需要画出如下函数的曲线或者等高线。
$$z=sin(x)+sin(y)$$

6. meshgrid应用实例

import tensorflow as tf
import matplotlib.pyplot as plt


def func(x):
    """

    :param x: [b, 2]
    :return: z
    """
    z = tf.math.sin(x[..., 0]) + tf.math.sin(x[..., 1])

    return z


x = tf.linspace(0., 2*3.14, 500)
y = tf.linspace(0., 2*3.14, 500)
# [50, 50]
point_x, point_y = tf.meshgrid(x, y)
# [50, 50, 2]
points = tf.stack([point_x, point_y], axis=2)
# points = tf.reshape(points, [-1, -2])
print('points:', points.shape)
z = func(points)
print('z:', z.shape)

plt.figure('plot 2d func value')
plt.imshow(z, origin='lower', interpolation='none')
plt.colorbar()

plt.figure('plot 2d func contour')
plt.contour(point_x, point_y, z)
plt.colorbar()
plt.show()

运行结果如下:

参考文献:
[1] 龙良曲:《深度学习与TensorFlow2入门实战》
[2] https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/scatter_nd