TensorFlow人工智能學習張量及高階操作示例詳解

Posted on by

一、張量裁剪

1.tf.maximum/minimum/clip_by_value()

該方法按數值裁剪，傳入tensor和閾值，maximum是把數據中小於閾值的變成閾值。minimum是把數據中大於閾值的變成閾值。clip_by_value需要傳入兩個閾值，會把數據裁剪到閾值中間。

2.tf.clip_by_norm()

按范數裁剪，傳入tensor和新的范數。通過裁剪范數，可以進行等比例放縮，使得梯度方向不變，但數值變小。通過這個方法可以對梯度進行裁剪，一次性對所有的參數的范數進行裁剪，並且保留方向。防止梯度爆炸，梯度彌散。

二、張量排序

1.tf.sort/argsort()

這兩個方法分別返回排序後的值，排序後的索引。有索引之後，可以通過gather方法對數據排序。

對於多維tensor，不指定軸的時候，默認是對最後一個軸操作。

2.tf.math.topk()

返回前k大的那些數據，以及索引。比如下面的例子，傳入a，2的意思是前兩個大的值。因此會對每一行，尋找前兩大的數，以及對應的索引，存到返回值中。

可以通過這個規則，求解topk的準確率。比如下面的例子，對於兩條數據，預測概率是prob，根據預測概率，得到這兩條數據最大值索引是2,1，而實際的值target是2,0。

①通過tf.math.top_k方法，對預測的概率進行排序，讓它返回前三大的值。並得到索引。

②將索引進行轉置之後，可以方便地閱讀：第一列就是第一條數據的預測值概率索引排序，第二列就是第二條數據的預測值概率索引排序。

③那麼，對於兩條數據top1的準確率，就是概率最大的索引，也就是第一行的兩個數據，2,1，而實際值是2,0，那麼top1準確率就是50%

④top2的準確率，意思就是，隻要前兩名的概率預測有對的，那就算預測對瞭。那麼第一行，第一條預測對瞭，第二條預測錯瞭。而第二行，第一條預測錯瞭，第二條預測對瞭。

⑤那麼，根據“隻要前兩個概率有一個對，那就算對”，top2的準確率就是100%

三、TensorFlow高階操作

1.tf.where()

如果傳入佈爾型數據，會根據數據返回值為True的數值的索引。

如果傳入條件數據，比如where(condition, A, B)，condition是一個佈爾tensor，會從A裡面選擇condition為true的位置所對應的數據，從B裡面選擇conditon為false的位置所對應的數據。

2.tf.scatter_nd()

該方法中，傳入索引，數據，底板。

底板通常是全0的tensor，索引是和數據一一對應的，並且索引的長度不超過底板。

傳入的每一個數據都對應一個索引，然後把數據更新到底板上面索引對應的位置。

如果底板已經有數據瞭，就需要全部清零，再更新。

在二維上面舉例如下：

3.tf.meshgrid()

和numpy裡面的meshgrid用法一樣，分別生成的是網格中x和y的數據。例子如下：

然後使用stack進行一個堆疊，就可以得到所有25個點的坐標。

以上就是TensorFlow人工智能學習張量及高階操作示例詳解的詳細內容，更多關於TensorFlow張量高階操作的資料請關註WalkonNet其它相關文章！

推薦閱讀：