3
作用类似于numpy外函数的等价操作(或一系列操作)张量流中的外加和减法
import numpy as np
a = np.arange(3)
b = np.arange(5)
print np.subtract.outer(a,b)
[[ 0 -1 -2 -3 -4]
[ 1 0 -1 -2 -3]
[ 2 1 0 -1 -2]]
明显的候选人tf.sub
似乎只是作用于元素。
作用类似于numpy外函数的等价操作(或一系列操作)张量流中的外加和减法
import numpy as np
a = np.arange(3)
b = np.arange(5)
print np.subtract.outer(a,b)
[[ 0 -1 -2 -3 -4]
[ 1 0 -1 -2 -3]
[ 2 1 0 -1 -2]]
明显的候选人tf.sub
似乎只是作用于元素。
使用广播:
sess.run(tf.transpose([tf.range(3)]) - tf.range(5))
输出
array([[ 0, -1, -2, -3, -4],
[ 1, 0, -1, -2, -3],
[ 2, 1, 0, -1, -2]], dtype=int32)
更具体地,给定的(3, 1)
和(1, 5)
阵列,广播在数学上等同于阵列平铺成匹配(3, 5)
形状和操作的方式操作逐点
此平铺内部通过循环现有数据实现,因此不需要额外的内存。当给予(3, 1)
和(5)
等不同等级的广播时,广播将填充更小的形状,其左边的 在。这意味着像tf.range(5)
这样的1D列表被视为行向量,并且相当于[tf.range(5)]
感谢雅罗斯拉夫,这是完美的!这与使用'tf.tile'完全等价吗?或者这种方式使用广播效率更高? – Hooked
它更高效,它并不实际复制内存中的数据,例如tile –