我想从TensorFlow 2.0中的张量列表中创建一个粗糙的张量,如下所示:
a = tf.convert_to_tensor([1,2])
b = tf.convert_to_tensor([1,2,3])
tf.ragged.constant([a, b])
但这会抛出ValueError: TypeError: Scalar tensor has no `len()`。另一方面,下面的代码从列表列表创建一个参差不齐的张量,运行良好。
a = [1,2]
b = [1,2,3]
tf.ragged.constant([a,b])
有没有办法直接从张量列表中创建粗糙的张量,而无需首先将张量
为了清楚地理解tensorflow中的张量,我需要清楚地了解张量是如何定义的。
以下是tensorflow文档中的一些例子:
3 # a rank 0 tensor; this is a scalar with shape [] [1. ,2., 3.] # a rank 1 tensor; this is a vector with shape [3] [[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3] [[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 te
我在tensorflow中创建一个稀疏张量,约为4,000,000×56,000,000。56M列是特征列AKA的大约10,600个可能值之间的交互变量,是所有值的组合。
Tensorflow的稀疏张量采用一个索引参数,它是一个列表列表,其中每个子列表x,y表示稀疏张量中值的行和列。
我有交互变量的组合:
combos = []
grouped_feature = df.groupby('feature')
for name, group in grouped_feature:
combos.append([*combinations(group.feature.uni
如何使用tensorflow折叠两个张量?tensorflow.foldl接受输入
a, b -> a类型的函数(在这里,a和b表示特定形状的张量类型)
一种可解压缩为b类型条目的列表b的张量
a型初始累加器
我需要一个函数作为输入
a, b, c -> a型函数
一种可解压缩为b类型条目的列表b的张量
一种可解压缩为c类型条目的列表c的张量
a类型的初始累加器。
我是TensorFlow的新手。我不能理解如何在TensorFlow中创建一个动态的"pythonic“列表。基本上,我在一个张量对象(train_data[i])上执行一些计算,并将其附加到一个“列表”X,我希望它是一个具有形状(100,)的张量
我想做这样的事情:
X = []
for i in range(100):
q = tf.log(train_data[i])
print(q) #Tensor("Log:0", shape=(), dtype=float32)
X.append(q)
我希望X是一个形状为(100,)的张量
设t是(m, n)形状的Tensorflow张量。设F是p函数的列表f_1, f_2, ...,其中这些函数的每个函数都有一个张量,并输出相同形状的张量。
我需要计算形状的张量T,(p, m, n),这样,T[i]=f_i(t)。
注意,这是映射函数的逆设置,在这里,我们将1函数应用于元素集合。在这里,我们需要将函数的集合应用到1元素。此外,我们需要在并行中这样做。
朴素的方法(非并行)是通过for循环(或列表理解)生成的这些计算结果的叠加。
T = tf.stack([
f(t) for f in F
])
Tensorflow版本: 2.0.0a。模式:急切的
我从零开始使用TensorFlow 来训练SSD盗梦空间模型。评估脚本显示模型已经学到了一些东西,现在我想使用这个模型。
我看过对象检测,它可以将单个图像提供给经过训练的模型。但是,这是针对带有MobileNet的SSD的。我使用了下面的一行(加载了元图之后)来打印我训练过的TensorFlow模型的张量名称。
print([str(op.name) for op in tf.get_default_graph().get_operations()] )
但它不包含与ipynb中相同的输入或输出张量名称。我也搜索过代码,但是很多函数都指向对方,很难找到我要找的东西。
我怎么才能找到我需要的张量
我有三个张量,A, B and C in tensorflow,A和B都是形状(m, n, r),C是(m, n, 1)形状的二元张量。
我希望根据C的值从A或B中选择元素。显而易见的工具是tf.select,但是它没有广播语义,所以我需要首先显式地将C广播成与A和B相同的形状。
这将是我第一次尝试如何做到这一点,但它不喜欢我把张量(tf.shape(A)[2])混合到形状列表中。
import tensorflow as tf
A = tf.random_normal([20, 100, 10])
B = tf.random_normal([20, 100, 10])
C = tf.rand
我试着开始使用Tensorflow-Hub从图像中提取特征向量。但是,我不确定如何将Tensorflow-Hub输出(张量)转换为numpy向量。下面是一个简单的例子:
from keras.preprocessing.image import load_img
import tensorflow_hub as hub
import tensorflow as tf
import numpy as np
im = load_img('sample.png')
im = np.expand_dims(im.resize((299,299)), 0)
module = hub.
假设在普通的python中,我有两个列表:A = [1, 2, 3]和B = [4, 5, 6]。现在,我可以创建一个名为C = [4, 5, 6, 8, 10, 12, 12, 15, 18]的新列表。我很容易就能得到这个结果
C = list()
for a in A:
for b in B:
C.append(a * b)
如果A和B是tensorflow中的张量,那么有什么方法可以像我前面描述的那样得到张量C吗?
在TensorFlow中,假设我们有numpy NHCW格式的训练数据xs。我想在Tensorflow中对来自xs的批次进行采样,我做到了
xs = np.reshape(range(32), [4,2,2,2])
tensor_list = [tf.convert_to_tensors(x) for x in xs]
#x_tensor = tf.convert_to_tensors(xs) # tried this version too
x_batch = tf.train.shuffle_batch(tensor_list, batch_size=3, capacity=50,