深度學習（9）TensorFlow基礎操作五: Broadcasting

• 1. 操作思想
• 2. 具體例子
• 3. 理解
• • (1) How to understand?
  • (2) Why Broadcasting?
• 4. Broadcasting使用條件
• 5. Broadcasting的優(yōu)點
• 6. x+tf.random.normal([3])
• 7. tf.broadcast_to()
• 8. Broadcast VS Tile

Broadcasting

• expand
• without copying data
  • VS tf.tile
• tf.broadcast_to
  在$Y=X@W+b$中，計算時: [b, 784]@[784, 10]+[10] $\to$ [b, 10]+[10] $\to$ [b, 10]，其中[b, 10]+[10] $\to$ [b, 10]這一步計算時，需要將[10] $\to$ [b, 10]才能使其相加成為out，那么[10] $\to$ [b, 10]這個過程就叫做Broadcasting。

1. 操作思想

• Insert 1 dim ahead if needed;
  如果a的dim和b的dim不相等的話，就插入維度;
  例如: a.shape=[4, 16, 16, 32]; b.shape=[32]; 我們首先要將a與b的小維度對齊，我們將b的[32]這個維度叫做“小維度”，a的[4]這個維度叫做“大維度”，將a與b的小維度進行對齊，然后從小維度向大維度方向插入維度，且插入值為1，即b插入維度后就會變?yōu)? [1, 1, 1, 32];
• expand dims with size 1 to same size;
  將插入維度后的b的插入的維度值變?yōu)楹蚢一樣的維度值，即b.shape=[4, 16, 16, 32];
  經(jīng)上面的操作后，a與b就可以進行相應的數(shù)學運算了。
  • Feature maps: [4, 32, 32, 3]
  • Bias: [3] $\to$ [1, 1, 1, 32] $\to$ [4, 32, 32, 3]

注: Broadcasting操作并沒有復制或者添加數(shù)據(jù)，只不過計算的過程中添加了虛擬的維度而已，是一種運算的優(yōu)化手段，計算時添加到虛擬維度和數(shù)據(jù)是不占用內(nèi)存的;

2. 具體例子

(1) [4, 3] + [4, 3] $\to$ [4, 3] + [4, 3] $\to$ [4, 3]
(2) [4, 3] + [1, 3] $\to$ [4, 3] + [4, 3] $\to$ [4, 3]
(3) [4, 1] + [1, 3] $\to$ [4, 3] + [4, 3] $\to$ [4, 3]

3. 理解

(1) How to understand?

• When it has no axis
  • Create a new concept
  • [classes, students, scores] + [scores]
• When it has dim of size 1
  • Treat it shared by all
  • [classes, students, scores] + [students, 1]

(2) Why Broadcasting?

• for real demanding（實際需求）
  • [classes, students, scores];
  • Add bias for every student: + 5 score;
• memory consumption（節(jié)省內(nèi)存）

無需因為計算而占用內(nèi)存，如果我們不使用Broadcasting而手動添加維度計算的話會占用內(nèi)存，而使用Broadcasting則會極大地減少占用內(nèi)存;
- [4, 32, 8] $\to$ 1024;
- bias = [8]: [5.0, 5.0, 5.0, …] $\to$ 8;
可以看到，不使用Broadcasting會占用1024個單元來存儲數(shù)據(jù)，而使用Broadcasting則只會占用8個單元來存儲數(shù)據(jù)。

4. Broadcasting使用條件

Broadcastable?

• Match from Last dim!（一定要從小維度開始對齊!）
• If current dim=1, expand to same;
• If either has no dim, insert one dim and expand to same;
• otherwise, NOT broadcastable.

注: 一定要從小維度，也就是從最右邊開始對齊!!!
(1) Situation 1:

• [4, 32, 14, 14]
• [1, 32, 1, 1] $\to$ [4, 32, 14, 14]
  (2) Situation 2:
• [4, 32, 14, 14]
• [14, 14] $\to$ [1, 1, 14, 14] $\to$ [4, 32, 14, 14]
  (3) Situation 3:
• [4, 32, 14, 14]
• [2, 32, 14, 14]

維度值不相等，所以不能進行Broadcasting操作!
如果將[2, 32, 14, 14]改為[1, 32, 14, 14]，則可以進行Broadcasting操作。

5. Broadcasting的優(yōu)點

It’s efficient and intuitive!
高效且直觀!

• [4, 32, 32, 3]
• • [3]
• • [32, 32, 1]
• • [4, 1, 1, 1]

6. x+tf.random.normal([3])

(1) x+tf.random.normal([3]): x和bias=[3]相加;

• 系統(tǒng)會自動判定是否滿足Broadcasting操作的條件;

(2) x+tf.random.normal([32, 32, 1]): x和bias=[32, 32, 1]相加;
(3) x+tf.random.normal([4, 1, 1, 1]): x和bias=[4, 1, 1, 1]相加;
(4) x+tf.random.normal([1, 4, 1, 1]): 不滿足Broadcasting操作的條件，維度的數(shù)值對不上，所以報錯;

7. tf.broadcast_to()

(1) b = tf.broadcast_to(tf.random.normal([4, 1, 1, 1]), [4, 32, 32, 3]): 通過調(diào)用tf.broadcast_to()函數(shù)將[4, 1, 1, 1]變?yōu)樾碌膕hape=[4, 32, 32, 3];
(2) 如果維度的數(shù)值不相等，就會報錯。例如: b = tf.broadcast_to(tf.random.normal([4, 1, 1, 1]), [3, 32, 32, 3])，其中[4, 1, 1, 1]和[3, 32, 32, 3]的第1個維度值不相等，不滿足Broadcasting的條件，就會報錯;

8. Broadcast VS Tile

(1) a1 = tf.broadcast_to(a, [2, 3, 4]): 將a進行Broadcasting操作，由a1.shape=[3, 4] $\to$ [2, 3, 4];
(2) a2 = tf.expand_dims(a, axis=0): 對a進行擴展維度的操作，在a中第1個維度處插入一個新的維度，a2.shape=[1, 3, 4]
(3) a2 = tf.tile(a2, [2, 1, 1]): 使用tile()函數(shù)將a2中的第1個維度復制2次; 將a2中的第2個維度復1次; 將a2中的第2個維度復制1次。所以完成tile()操作的a2.shape=[2, 3, 4]。

• a1和a2在功能上是完全等價的，但是a2占用的內(nèi)存空間更大，所以a1更加高效。

參考文獻:
[1] 龍良曲:《深度學習與TensorFlow2入門實戰(zhàn)》
[2] https://blog.openai.com/generative-models/

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎勵來咯，堅持創(chuàng)作打卡瓜分現(xiàn)金大獎

總結(jié)

以上是生活随笔為你收集整理的深度学习（9）TensorFlow基础操作五: Broadcasting的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。