仅对张量的正元素应用tf.nn.softmax()
仅对张量的正元素应用tf.nn.softmax()
提问于 2018-06-20 00:31:48
我花了很长时间来解决这个问题，但在互联网上找不到任何有用的东西，所以我不得不问：
给定一个张量T，假设是T = tf.random_normal([100])，我只想将softmax()应用于张量的正元素。像T = tf.nn.softmax(T[T>0])这样的东西，当然不能在Tensorflow中工作。
简而言之:我想计算softmax，并且只应用于元素T > 0。
我如何在Tensorflow中做到这一点？
回答 2
Stack Overflow用户
发布于 2018-06-20 00:39:31
一个想法可能是基于您的条件(T > 0)创建2个分区，将操作(softmax)应用于目标分区，然后将它们缝合在一起。
如下所示，使用tf.dynamic_partition和tf.dynamic_stitch
import tensorflow as tf
T = tf.random_normal(shape=(2, 3, 4))
# Creating partition based on condition:
condition_mask = tf.cast(tf.greater(T, 0.), tf.int32)
partitioned_T = tf.dynamic_partition(T, condition_mask, 2)
# Applying the operation to the target partition:
partitioned_T[1] = tf.nn.softmax(partitioned_T[1])
# Stitching back together, flattening T and its indices to make things easier::
condition_indices = tf.dynamic_partition(tf.range(tf.size(T)), tf.reshape(condition_mask, [-1]), 2)
res_T = tf.dynamic_stitch(condition_indices, partitioned_T)
res_T = tf.reshape(res_T, tf.shape(T))
with tf.Session() as sess:
t, res = sess.run([T, res_T])
print(t)
# [[[-1.92647386 0.7442674 1.86053932 -0.95315439]
# [-0.38296485 1.19349718 -1.27562618 -0.73016083]
# [-0.36333972 -0.90614134 -0.15798278 -0.38928652]]
#
# [[-0.42384467 0.69428021 1.94177043 -0.13672788]
# [-0.53473723 0.94478583 -0.52320045 0.36250541]
# [ 0.59011376 -0.77091616 -0.12464728 1.49722672]]]
print(res)
# [[[-1.92647386 0.06771058 0.20675084 -0.95315439]
# [-0.38296485 0.10610957 -1.27562618 -0.73016083]
# [-0.36333972 -0.90614134 -0.15798278 -0.38928652]]
#
# [[-0.42384467 0.06440912 0.22424641 -0.13672788]
# [-0.53473723 0.08274478 -0.52320045 0.04622314]
# [ 0.05803747 -0.77091616 -0.12464728 0.14376813]]]上一个答案
仅当您希望对T的所有元素计算softmax，但仅适用于大于0的元素时，此答案才有效。
T = tf.where(tf.greater(T, 0.), tf.nn.softmax(T), T)Stack Overflow用户
发布于 2018-06-20 04:15:43
我是Tensorflow的新手，但这是我的尝试，基于数学公式：
def softmax_positiv(T):
# softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis)
Tsign = tf.greater(T, 0.)
Tpos = tf.gather(T, tf.where(Tsign))
_reduce_sum = tf.reduce_sum(tf.exp(Tpos))
Tsign = tf.cast(Tsign, tf.float32)
Tpos = (tf.exp(T) / _reduce_sum) * Tsign
Tneg = (Tsign - 1) * -1 * T
return Tpos+Tneg更新版本(使用@Aldream建议)：
def softmax_positiv(T):
#softmax = tf.exp(logits) / tf.reduce_sum(tf.exp(logits), axis)
Tsign=tf.greater(T,0)
_reduce_sum=tf.reduce_sum(tf.exp(tf.where(Tsign,T,tf.zeros(T.shape))))
return tf.where(Tsign, tf.exp(T) / _reduce_sum, T)页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/50933075
复制相关文章
相似问题
腾讯云开发者
