TensorFlow2-维度变换(7)

最新推荐文章于 2023-06-25 17:22:05 发布
最新推荐文章于 2023-06-25 17:22:05 发布
阅读量660 收藏
点赞数
分类专栏： Tensorflow 文章标签： 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/weixin_43968923/article/details/108088842
版权

文章目录

维度变换

简介

  • shape, ndim
  • reshape
  • expand_dims/squeeze
  • transpose
  • broadcast_to

View

  • 图片信息 [b,h,w]
  • [b, 28, 28]
  • →[b, 28*28]
  • →[b, 2, 14*28]
  • →[b, 28, 28, 1] [b,h,w,c]
import tensorflow as tf
import numpy as np

Reshape

a=tf.random.normal([4,28,28,3])

a.shape, a.ndim

(TensorShape([4, 28, 28, 3]), 4)

# 重置维度
tf.reshape(a, [4,28*28,3]).shape

TensorShape([4, 784, 3])

tf.reshape(a, [4,784,3]).shape

TensorShape([4, 784, 3])

# -1 自动推断
tf.reshape(a,[4,-1,3]).shape

TensorShape([4, 784, 3])

tf.reshape(a,[4,784*3]).shape

TensorShape([4, 2352])

tf.reshape(a,[4,-1]).shape

TensorShape([4, 2352])

Reshape is flexib 重塑是灵活的

a=tf.random.normal([4,28,28,3])

a.shape

TensorShape([4, 28, 28, 3])

tf.reshape(tf.reshape(a,[4,-1]),[4,28,28,3]).shape

TensorShape([4, 28, 28, 3])

tf.reshape(tf.reshape(a,[4,-1]),[4,14,56,3]).shape

TensorShape([4, 14, 56, 3])

tf.reshape(tf.reshape(a,[4,-1]),[4,1,784,3]).shape

TensorShape([4, 1, 784, 3])

Reshape could lead to potential bugs!

  • 重塑可能会导致潜在的错误
  • images: [4, 28, 28, 3]
    • [b, h, w, 3]
  • reshape to: [4, 784, 3]
    • [b, pixel, 3]
  • [4, 784, 3] ℎ𝑒𝑖𝑔ℎ𝑡: 28, 𝑤𝑖𝑑𝑡ℎ: 28 [4, 28, 28, 3]
  • [4, 784, 3] ℎ𝑒𝑖𝑔ℎ𝑡: 14, 𝑤𝑖𝑑𝑡ℎ: 56 [4, 14, 56, 3]
  • [4, 784, 3] 𝑤𝑖𝑑𝑡ℎ: 28, ℎ𝑒𝑖𝑔ℎ𝑡: 28 [4, 28, 28, 3]

tf.transpo 矩阵转置

  • [h,w] -> [w,h]
a=tf.random.normal([4,3,2,1])

a.shape

TensorShape([4, 3, 2, 1])

tf.transpose(a).shape

TensorShape([1, 2, 3, 4])

# 按维度索引转置
tf.transpose(a, perm=[0,1,3,2]).shape

TensorShape([4, 3, 1, 2])

[b,h,w,c]→[b, 3, h, w]

a=tf.random.normal([4,28,28,3])

a.shape

TensorShape([4, 28, 28, 3])

tf.transpose(a,[0,2,1,3]).shape

TensorShape([4, 28, 28, 3])

tf.transpose(a,[0,3,2,1]).shape

TensorShape([4, 3, 28, 28])

tf.transpose(a,[0,3,1,2]).shape

TensorShape([4, 3, 28, 28])

Squeeze VS Expand_dims

挤压与扩张

Expand dim

  • a: [classes, students, classes]
    • [4, 35, 8]
  • add school dim
  • [1, 4, 35, 8] + [1, 4, 35, 8]
    • [2, 4, 35, 8]
a=tf.random.normal([4,35,8])

a.shape

TensorShape([4, 35, 8])

# 在第0维添加一个轴
tf.expand_dims(a,axis=0).shape

TensorShape([1, 4, 35, 8])

# 在第2维添加一个轴
tf.expand_dims(a,axis=2).shape

TensorShape([4, 35, 1, 8])

# 在第3维添加一个轴
tf.expand_dims(a,axis=3).shape

TensorShape([4, 35, 8, 1])

tf.expand_dims(a,axis=-1).shape

TensorShape([4, 35, 8, 1])

tf.expand_dims(a,axis=-4).shape

TensorShape([1, 4, 35, 8])

Squeeze dim

  • Only squeeze for shape=1 dim (仅挤压shape=1 dim)
  • [4, 35, 8, 1]
  • [1, 4, 35, 8]
  • [1, 4, 35, 1]
tf.squeeze(tf.zeros([1,2,1,1,3])).shape

TensorShape([2, 3])

a=tf.zeros([1,2,1,3])

a.shape

TensorShape([1, 2, 1, 3])

tf.squeeze(a, axis=0).shape

TensorShape([2, 1, 3])

tf.squeeze(a, axis=2).shape

TensorShape([1, 2, 3])

tf.squeeze(a, axis=-2).shape

TensorShape([1, 2, 3])

tf.squeeze(a, axis=-4).shape

TensorShape([2, 1, 3])

# 仅挤压shape=1 dim
# tf.squeeze(a, axis=1).shape
清风冷吟
关注
专栏目录
*08TensorFlow2.0基础--8.3维度变换
SimonChen
05-03 163
拼接和分割不产生或减少新维度，而堆叠和分解则会产生和减少，注意两者的不同
Tensorflow之维度变换
wyiche的博客
07-02 118
1.变换维度 ```python ```python ```python import os os.environ['TF_CPP_MIN_L加粗样式OG_LEVEL'] = '2'#过滤爆红的信息 import tensorflow as tf a=tf.random.normal([4,28,28,3])#建立一个四维的矩阵 print("矩阵:",a.shape) print("维度:",a.ndim) print(tf.reshape(a,[4,-1,3]).shape)#一个[]里面只能有
tensorflow2.1的维度变换
12-22
1、Reshape 函数的作用是将tensor变换为参数shape的形式，其中shape为一个列表形式，特殊的一点是列表中可以存在-1 -1代表的含义是不用我们自己指定这一维的大小，函数会自动计算，但列表只能存在一个-1。（如果存在多个-1，就是一个存在多解的方程） a = tf.random.normal([4, 28,28, 3]) a.shape, a.ndim Out[74]: (TensorShape([4, 28, 28, 3]), 4) tf.reshape(a, [4, 784, 3]).shape Out[76]: TensorShape([4, 784, 3]) tf.re
【深度学习_TensorFlow】维度变换
最新发布
m0_73222051的博客
06-25 1103
tensor维度变换相关操作
2. tensorflow2.0学习---Tensor创建和维度变换
ZhiP_Yan的博客
03-08 798
创建Tensor 从numpy， list数据中获得 创建一个Tensor数据可以从list或者numpy矩阵中获得。不过再list中，每个数据的类型可能不一致，而转化为Tensor要求数据类型应该是一致的，不过这种一致并非十分严格，也可以说逻辑上可以的数据便可以转化为Tensor，例如list数组中可能同时存在int类型和float类型，转化为Tensor时数据会自动扩充为float类型。 tf...
tensorflow-可视化
weixin_30449453的博客
02-23 99
先学习几个英文单词 summary　　汇总，摘要 scope　　　 范围 我这是很早以前的笔记，后来有了博客才发布的，有些内容比较老，懒得改了。 先说明总体流程 暂时不管怎么编程，假设已经有了如下代码，可执行的。 # encoding:utf-8 import tensorflow as tf print('version:', tf.__versi...
TensorFlow2-基础（五）：Tensor的维度变换【改变：reshape（view级别）、transpose（content级别）】【增加（expand_dims）、删除（squeeze）】
u013250861的博客
04-16 3322
tensorFlow维度变换可分为两个级别，一个是view级，一个是content级。 view级维度变换：不改变数据的存储关系，比如[3,28,28,3]变换维度为[3,784,3]之后，数据本身并没有改变，属于哪一行哪一列的元素还是可以确定，可以原模原样的恢复为[3,28,28,3]。 content级维度变换：会改变数据的存储关系。content有“目录”的意思，即索引关系，通过[3,28,28,3]这样的索引号能够找到一个元素。当content被改变时，意味着元素之间的索引关系变了。例如[3,28
【ch04-TensorFlow基础】 维度变换.pdf
09-21
在本节【ch04-TensorFlow基础】维度变换的课程中，主讲人龙良曲深入讲解了TensorFlow中维度变换的几个关键概念和操作。这些内容对于理解如何高效地处理图像、数组或其他数据结构至关重要。以下是从文档中提炼出的...
tensor如何实现转置_[Tensorflow]2.转置卷积(Transposed Convolution)
weixin_31495637的博客
01-14 920
w00w01w020w10w11w120w20w21w22000000w00w01w020w10w11w120w20w21w2200000000w00w01w020w10w11w120w20w21w22000000w00w01w020w10w11w120w20w21w22输出：Y = CX， (4×16) × (16×1) = (4×1)，则是一个[4,1]的输出特征矩阵，把它重新排列为2×2的输...
机器学习——TensorFlow2
渗透测试
04-20 602
生成一个5x5的矩阵，要求为int类型TensorFlow支持多种数据类型的矩阵，具体包括以下常用的数据类型：tf.float16tf.float32tf.float64tf.int32tf.int64除了上述常用的数据类型外，TensorFlow还支持其他一些数据类型，例如bool、complex64和string等。您可以通过tf.dtypes.DType类中提供的方法来创建、转换和管理数据类型。
深度学习_04_2_TensorFlow2基础_索引与切片&维度变换
小明2766的博客
03-11 272
04_2_TensorFlow2基础_索引与切片&维度变换 索引与切片 Indexing 最基本的索引方式是给出每一个维度的index。 还有Numpy的索引风格是，[idx,idx, …]，后面还有: 或 :: 或 …的方式 Basic indexing 最简单的索引方式，给定每一个维度的索引。 取[0] [0]，那么它的shape是[5,3]，每个元素的数值是1 要取更深层次的维度，[0] [0] [0]，取上面的第0行，那么返回1维的向量。 如果再深入，返回的是标准的scalar（标量） N
tf计算矩阵维度_TF-调整矩阵维度 tf.reshape 介绍
weixin_39705850的博客
12-21 140
--------case 1, 2, 5, 4---------2017-05-10 15:26:04.020848: W c:\tf_jenkins\home\workspace\release-win\device\cpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wa...
tensorflow2.x 维度变换
lllfor的博客
03-16 383
一、张量的存储和视图（View）概念 张量的视图就是我们理解张量的方式，例如shape 为[2,4,4,3]的张量A，我们从逻辑上可以理解为2 张图片，每张图片4 行4 列，每个位置有RGB 3 个通道的数据； 张量的存储体现在张量在内存上保存为一段连续的内存区域，对于同样的存储，我们可以有不同的理解方式，比如上述A，我们可以在不改变张量的存储下，将张量A 理解为2 个样本，每个样本的特征为长度48 的向量。 在存储数据时，内存并不支持这个维度层级概念，只能以平铺方式按序写入内存，因此这种层级关系需要人为
对tensor进行view()操作
weixin_47659974的博客
07-17 987
对tensor进行view()操作 举几个例子看了就懂了 1.创建一个x import torch x = torch.randn(4, 4) # x是一个4行4列的随机数矩阵 print(x) print(x.size()) 上述输出结果： tensor([[ 0.9173, 2.8725, -0.0289, -0.8427], [-1.5648, -3.0865, 0.3637, 0.7192], [-0.5239, -0.9747, -0.9503, -0
【tensorFlow】维度变换
云逸的博客
05-11 668
目录前言 前言 tensorFlow维度变换可分为两个级别，一个是view级，一个是content级。 view级维度变换不改变数据的存储关系，比如[3,28,28,3]变换维度为[3,784,3]之后，数据本身并没有改变，属于哪一行哪一列的元素还是可以确定。可以原模原样的恢复为[3,28,28,3]。 content级维度变换会改变数据的存储关系。 ...
深度学习（8）TensorFlow基础操作四: 维度变换
weixin_43360025的博客
08-10 1146
深度学习（8）TensorFlow基础操作四: 维度变换1. View2. 示例3. Reshape操作可能会导致潜在的bug4. tf.transpose5. Squeeze VS Expand_dims(1) Expand dim（增加维度）(2) Squeeze dim（减少维度） Outline shape，ndim reshape expand_dims/squeeze transpose broadcast_to 1. View 设[b, h, w]为一个content; (1) View1
TensorFlow2-维度变换
weixin_30840253的博客
05-09 169
目录 TensorFlow2-维度变换 Outline（大纲） 图片视图 First Reshape（重塑视图） Second Reshape（恢复视图） Transpose（转置） Expand_dims（增加维度） Squeeze...
卷积神经网络
Vivian_Chen_的博客
07-16 1223
龙良曲CNN总结
TensorFlow笔记——用expand_dim()来增加维度
热门推荐
Lavi的专栏
07-24 1万+
TensorFlow中，想要维度增加一维，可以使用tf.expand_dims(input, dim, name=None)函数。当然，我们常用tf.reshape(input, shape=[])也可以达到相同效果，但是有些时候在构建图的过程中，placeholder没有被feed具体的值，这时就会包下面的错误：TypeError: Expected binary or unicode stri...
Embedded Gaussian中的两个嵌入权重变换 的tensorflow2代码
05-26
以下是使用TensorFlow 2实现Embedded Gaussian中的两个嵌入权重变换的代码示例： ```python import tensorflow as tf class EmbeddingWeightTransform(tf.keras.layers.Layer): def __init__(self, d_model, num_heads, name="embedding_weight_transform"): super().__init__(name=name) self.d_model = d_model self.num_heads = num_heads # define the layers for the embedding weight transform self.dense1 = tf.keras.layers.Dense(d_model, name="dense1") self.reshape = tf.keras.layers.Reshape((num_heads, d_model // num_heads), name="reshape") self.transpose = tf.keras.layers.Permute((2, 1), name="transpose") def call(self, inputs): # apply the embedding weight transform x = self.dense1(inputs) x = self.reshape(x) x = self.transpose(x) return x ``` 其中，`EmbeddingWeightTransform`是一个自定义的Keras层，它接收一个形状为`(batch_size, seq_len, d_model)`的输入张量，并返回一个形状为`(batch_size, num_heads, d_model // num_heads, seq_len)`的输出张量。这个层内部实现了Embedded Gaussian中的两个嵌入权重变换： 1. 将输入张量通过一个全连接层`(batch_size, seq_len, d_model) -> (batch_size, seq_len, d_model)`，得到一个形状为`(batch_size, seq_len, d_model)`的张量。 2. 将全连接层的输出张量通过一个`Reshape`层`(batch_size, seq_len, d_model) -> (batch_size, num_heads, d_model // num_heads, seq_len)`，得到一个形状为`(batch_size, num_heads, d_model // num_heads, seq_len)`的张量。 3. 将`Reshape`层的输出张量通过一个`Permute`层`(batch_size, num_heads, d_model // num_heads, seq_len) -> (batch_size, d_model // num_heads, num_heads, seq_len)`，得到一个形状为`(batch_size, d_model // num_heads, num_heads, seq_len)`的张量。 下面是另一个嵌入权重变换的代码示例： ```python class EmbeddingWeightTransform(tf.keras.layers.Layer): def __init__(self, d_model, num_heads, name="embedding_weight_transform"): super().__init__(name=name) self.d_model = d_model self.num_heads = num_heads # define the layers for the embedding weight transform self.dense1 = tf.keras.layers.Dense(d_model, name="dense1") self.reshape1 = tf.keras.layers.Reshape((num_heads, -1), name="reshape1") self.permute = tf.keras.layers.Permute((2, 1), name="permute") self.dense2 = tf.keras.layers.Dense(d_model, name="dense2") self.reshape2 = tf.keras.layers.Reshape((-1, num_heads, d_model // num_heads), name="reshape2") def call(self, inputs): # apply the embedding weight transform x = self.dense1(inputs) x = self.reshape1(x) x = self.permute(x) x = self.dense2(x) x = self.reshape2(x) return x ``` 与前面的实现相比，这个实现在`Reshape`层中使用了占位符`-1`，以便根据其他维度自动推断出该维度大小。此外，这个实现还添加了一个额外的全连接层和一个`Reshape`层。这两个层的作用是将输入张量从形状`(batch_size, seq_len, d_model)`转换为形状`(batch_size, num_heads, d_model // num_heads, seq_len)`。
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