没有合适的资源?快使用搜索试试~ 我知道了~
探秘TensorFlow 和 NumPy 的 Broadcasting 机制
0 下载量 133 浏览量
2020-12-20
12:24:55
上传
评论
收藏 368KB PDF 举报
温馨提示
试读
3页
在使用Tensorflow的过程中,我们经常遇到数组形状不同的情况,但有时候发现二者还能进行加减乘除的运算,在这背后,其实是Tensorflow的broadcast即广播机制帮了大忙。而Tensorflow中的广播机制其实是效仿的numpy中的广播机制。本篇,我们就来一同研究下numpy和Tensorflow中的广播机制。 1、numpy广播原理 1.1 数组和标量计算时的广播 标量和数组合并时就会发生简单的广播,标量会和数组中的每一个元素进行计算。 举个例子: arr = np.arange(5) arr * 4 得到的输出为: array([ 0, 4, 8, 12, 16]
资源推荐
资源详情
资源评论
探秘探秘TensorFlow 和和 NumPy 的的 Broadcasting 机制机制
在使用Tensorflow的过程中,我们经常遇到数组形状不同的情况,但有时候发现二者还能进行加减乘除的运算,在这背后,其实是Tensorflow的broadcast即广播机制帮了
大忙。而Tensorflow中的广播机制其实是效仿的numpy中的广播机制。本篇,我们就来一同研究下numpy和Tensorflow中的广播机制。
1、、numpy广播原理广播原理
1.1 数组和标量计算时的广播数组和标量计算时的广播
标量和数组合并时就会发生简单的广播,标量会和数组中的每一个元素进行计算。
举个例子:
arr = np.arange(5)
arr * 4
得到的输出为:
array([ 0, 4, 8, 12, 16])
这个是很好理解的,我们重点来研究数组之间的广播
1.2 数组之间计算时的广播数组之间计算时的广播
用书中的话来介绍广播的规则:两个数组之间广播的规则:如果两个数组的后缘维度(即从末尾开始算起的维度)的轴长度相等或其中一方的长度为1,则认为他们是广
播兼容的,广播会在缺失和(或)长度为1的维度上进行。
上面的规则挺拗口的,我们举几个例子吧:
二维的情况二维的情况
假设有一个二维数组,我们想要减去它在0轴和1轴的均值,这时的广播是什么样的呢。
我们先来看减去0轴均值的情况:
arr = np.arange(12).reshape(4,3)
arr-arr.mean(0)
输出的结果为:
array([[-4.5, -4.5, -4.5],
[-1.5, -1.5, -1.5],
[ 1.5, 1.5, 1.5],
[ 4.5, 4.5, 4.5]])
0轴的平均值为[4.5,5.5,6.5],形状为(3,),而原数组形状为(4,3),在进行广播时,从后往前比较两个数组的形状,首先是3=3,满足条件而继续比较,这时候发现其中一个
数组的形状数组遍历完成,因此会在缺失轴即0轴上进行广播。
可以理解成将均值数组在0轴上复制4份,变成形状(4,3)的数组,再与原数组进行计算。
书中的图形象的表示了这个过程(数据不一样请忽略):
我们再来看一下减去1轴平均值的情况,即每行都减去该行的平均值:
arr - arr.mean(1)
此时报错了:
我们再来念叨一遍我们的广播规则,均值数组的形状为(4,),而原数组形状为(4,3),按照比较规则,4 != 3,因此不符合广播的条件,因此报错。
正确的做法是什么呢,因为原数组在0轴上的形状为4,我们的均值数组必须要先有一个值能够跟3比较同时满足我们的广播规则,这个值不用多想,就是1。因此我们需要
先将均值数组变成(4,1)的形状,再去进行运算:
arr-arr.mean(1).reshape((4,1))
资源评论
weixin_38747216
- 粉丝: 5
- 资源: 882
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功