深度學(xué)習(xí)（17）TensorFlow高階操作六: 高階OP

• 1. Where(tensor)
• 2. where(cond, A, B)
• 3. 1-D scatter_nd
• 4. 2-D scatter_nd
• 5. meshgrid
• • (1) Points（點的范圍）
  • (2) Numpy
  • (3) GPU acceleration
  • (4) 還原
  • (5) 應(yīng)用
• 6. meshgrid應(yīng)用實例

Outline

• where
• scatter_nd
• meshgrid

1. Where(tensor)

where只有一個參數(shù)tensor的時候，會返回這個tensor中所有值為True的坐標(biāo)。

(1) mask=a>0: 將a中大于0的元素標(biāo)位True，小于0的元素標(biāo)為False，最后形成一個mask;
(2) tf.boolean_mask(a, mask): 將a按照mask來篩選出大于0的元素;
(3) indices = tf.where(mask): 利用where()函數(shù)將mask中值為True的坐標(biāo)拿出來;
(4) tf.gather_nd(a, indices): 利用gather_nd()函數(shù)將a按照indices取出元素;

2. where(cond, A, B)

如果where()中有3個參數(shù)，那么就會根據(jù)True/False以及A和B來構(gòu)建新的Tensor;

(1) tf.where(mask, A, B): 根據(jù)mask中True和False的分布來構(gòu)建新的Tensor，其中，True的值對應(yīng)A中的元素值1，False的值對應(yīng)B中的元素值0。

3. 1-D scatter_nd

根據(jù)坐標(biāo)進行有目的性地更新

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

其中，shape為模板，updates里放的是坐標(biāo)，output是結(jié)合了shape和updates的坐標(biāo);

(1) tf.scatter_nd(indices, updates, shape): 將indices和updates對應(yīng)后放入到shape中，即: 第5個元素放入9，第4個元素放入10，第2個元素放入11，第8個元素放入12。

4. 2-D scatter_nd

(1) tf.scatter_nd(indices, updates, shape): 將indices和updates的元素對應(yīng)后放入到shape中;

5. meshgrid

在3-D圖像上利用坐標(biāo)將函數(shù)畫出來。

(1) Points（點的范圍）

• [y, x, 2]
  • [5, 5, 2]
• [N, 2]
  

如上圖所示，一共有25個點，每個點由2個坐標(biāo)（x和y）來表示，這樣其shape=[25, 2];

(2) Numpy

其中y為[-2, 2]間隔5個點; x為[-2, 2]間隔5個點; 再將這些點保存到points=[]里;
這個方法是利用Numpy來實現(xiàn)的，沒有經(jīng)過GPU加速，而且無法與TensorFlow深度結(jié)合在一起。

(3) GPU acceleration

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

y = tf.linspace(-2., 2, 5): 給出y的范圍，即[-2., -1., 0., 1., 2.];
x = tf.linspace(-2., 2, 5): 給出x的范圍，即[-2., -1., 0., 1., 2.];
points_x, points_y = tf.meshgrid(x, y): 將坐標(biāo)(x, y)中的x和y拆開分別保存到兩個Tensor中去，即points_x和points_y;

(4) 還原

Points: [N, 2]

points = tf.stack([points_x, points_y], axis=2): 利用stack()函數(shù)進行第3個維度的合并;

(5) 應(yīng)用

例如，我們需要畫出如下函數(shù)的曲線或者等高線。
$$z=sin?(x)+sin?(y)$$

6. meshgrid應(yīng)用實例

import tensorflow as tf import matplotlib.pyplot as pltdef func(x):""":param x: [b, 2]:return: z"""z = tf.math.sin(x[..., 0]) + tf.math.sin(x[..., 1])return zx = 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()

運行結(jié)果如下:

參考文獻:
[1] 龍良曲:《深度學(xué)習(xí)與TensorFlow2入門實戰(zhàn)》
[2] https://www.tensorflow.org/versions/r2.0/api_docs/python/tf/scatter_nd

總結(jié)

以上是生活随笔為你收集整理的深度学习（17）TensorFlow高阶操作六: 高阶OP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。