在多个批次上循环的张量构造
在深度学习中，张量是一种多维数组的数据结构，是神经网络中的基本数据类型。张量可以看作是标量、向量和矩阵的扩展，可以有任意维度。
在多个批次上循环的张量构造是指在训练神经网络时，通常会将数据分成多个批次进行训练，每个批次包含一定数量的样本。为了方便处理这些批次数据，可以使用张量来表示。
在构造多个批次上循环的张量时，可以使用各类编程语言中的张量库或深度学习框架提供的函数来创建。一般来说，可以通过指定批次大小和样本维度来创建一个多维张量。例如，使用Python中的NumPy库可以通过以下代码创建一个形状为(批次大小, 样本维度)的张量：
import numpy as np
batch_size = 32
sample_dim = 10
tensor = np.random.rand(batch_size, sample_dim)这样就创建了一个形状为(32, 10)的张量，表示一个批次大小为32的样本集合，每个样本有10个维度。
在深度学习中，使用多个批次上循环的张量可以有效地进行模型训练和优化。通过循环遍历每个批次的张量，可以逐批次地输入数据进行前向传播和反向传播，从而更新模型的权重和偏置，提高模型的准确性和泛化能力。
推荐的腾讯云相关产品：腾讯云AI智能机器学习平台（https://cloud.tencent.com/product/tiia）
该产品提供了丰富的机器学习和深度学习工具，包括张量计算库、模型训练和推理服务等，可以帮助开发者快速构建和训练神经网络模型，并在云端进行高效的推理和预测。
相关·内容
我正在编码rnn，类似于tensorflow提供的dynamic_rnn。我试图在GitHub上看到代码，但无法理解它们是如何实现的。我希望从零开始构建它，这样我就可以从内部自定义rnn。怎么做？
目前，我的方法是将截断的时间序列看作张量，使用tf.scan()并为所有时间序列寻找新的隐藏状态。然后使用tf.map_fn查找新的堆栈隐藏变量的输出。最后，使用tf.while_loop()查找叠加输出第一维上的每个张量的误差，并利用该损失进行反向传播。
我关心的是，在这样做之后，图形会是动态的吗？我的意思是说，首先我展开了5次，然后4次图形会擦除之前滚动的一个节点吗？
这个能行吗？
请指点。
谢
浏览 4提问于2017-04-17得票数 1
回答已采纳
在我的问题中，我想在我的神经网络模型中卷积两个张量。
两个张量的形状分别为None，2，1，None，3，1。维度为None的轴表示输入张量的批量大小。对于批量的每个样本，我想将形状为2，1和3，1的两个张量进行卷积。
然而，TensorFlow中的tf.nn.conv1d只能将输入与固定的内核进行卷积。有没有什么函数可以根据批量大小轴支持两个张量的卷积，类似于tf.multiply，它可以为每个样本乘上两个张量，或者只是元素乘法。
我运行的代码可以简化为：
input_signal = Input(shape=(L, M), name='input_signal')
inpu
浏览 1提问于2019-12-24得票数 0
我试图通过设置DataParallel在多个gpus上运行我的模型，但是每次遇到这个错误-
/pytorch/aten/src/ATen/native/TensorShape.cpp:184).：区块至少需要一个一维张量(块在RuntimeError)。
我的代码是正确的有人知道怎么回事吗？
我尝试过在终端上设置device_ids=[0,1]参数和CUDA_VISIBLE_DEVICES。也尝试了不同的批次大小。
浏览 2提问于2019-05-16得票数 0
3回答
两个3D张量之间的点积
、、、
我有两个三维张量，具有形状[B,N,S]的张量A和同样具有形状[B,N,S]的张量B。我想要得到的是第三个张量形状，我希望它是[B,B,N] C，这里的元素是C[i,j,k] = np.dot(A[i,k,:], B[j,k,:]。我也想实现这是一种矢量化的方式。 一些进一步的信息:两个张量A和B具有形状[Batch_size, Num_vectors, Vector_size]。张量C应该表示来自A的批次中的每个元素与来自B的批次中的每个元素之间的点积，以及所有不同向量之间的点积。 希望它足够清晰，并期待您的回答！
浏览 43提问于2019-06-26得票数 4
回答已采纳
我有一个维度为Batch_size，n，n的3D火炬张量，这是我的网络层的输出，以及一个大小为n，n的恒定2D火炬张量。我如何在批量大小上执行逐个元素乘法，这应该导致一个大小为Batch_size，n，n的火炬张量？我知道可以使用显式循环来实现此操作，但我对最有效的方式感兴趣。 谢谢
浏览 16提问于2020-01-24得票数 0
回答已采纳
1回答
当我将Elmo嵌入应用于我的数据时，我有一个错误。我有7255个句子。
embeddings = embed(
sentences,
signature="default",
as_dict=True)['default']
#Start a session and run ELMo to return the embeddings in variable x
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
sess.run(tf.ta
浏览 0提问于2019-04-29得票数 1
2回答
我有一个形状的输入张量(32,256,256,256)。在这个张量形状中，32是批次大小。第二，256是给定大小为256×256的图像中的信道数。
我想做池，以便将张量转换成形状( 32，32,256,256)。在PyTorch中，如果我尝试应用池，则形状的最后两个维度(与图像相关)正在发生变化，但与通道相关的维度却没有变化。
能否将池应用于输入张量以获得输出张量？如果不可能，建议我如何将输入张量转换为输出张量？
浏览 0提问于2021-09-23得票数 1
2回答
我有大小为torch.Size([12, 64, 8, 8, 3])的第一个张量，(8,8,3)是图像大小，64是面片，12是批量大小 还有另一个大小为torch.Size([12, 10])的张量，它为批次中的每个项目选择10个补丁(从总共64个补丁中选择10个补丁)。因此，它存储索引。如何使用它来查询具有列表理解的第一个张量？
浏览 11提问于2020-07-11得票数 0
回答已采纳
1回答
我在尝试连接两个张量。不幸的是，一些形状尺寸信息似乎在这个过程中丢失了。
我从具有形状批次的张量(在我的例子中是一个平移姿势)开始，例如: pose_t
然后我将这个张量分成形状Batch和Batch的两个张量
centroid = pose_t[:,:2]
tz = pose_t [:,2]
然后我在质心上做一些处理，其中的维度被更改为Batch,28,28,2
最后，我想将处理后的质心张量和tz张量连接起来，得到一个形状为Batch，28，3的pose_t张量。
因此，我将expand_dims()应用于tz三次，并平铺轴1和2，之后我得到一个形状为1，28，28，？虽然我想要/需要的是形
浏览 0提问于2018-04-30得票数 0
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
浏览 4提问于2017-03-01得票数 10
回答已采纳
我在pytorch中构建了一个网络，在分析时，发现大约90%的工作是在我的一个块中的for循环中完成的。问题是这个循环是不可并行化的，因为依赖于之前被mask1屏蔽的值(参见下面的MWE )。 我尝试使用torch.jit.script编译它，在大约0.5s的速度下，加速比可以忽略不计。我在循环中做了最少的工作，其他的都是矢量化的。附件是一个MWE与张量的大小，我正在与之合作。 我读到C++应该更快。用C++写代码会比用torchscript写代码更好吗？有没有其他方法可以显著改善循环的运行时间？谢谢。 import torch
import time
n = 11300
f = 7800
浏览 251提问于2021-07-13得票数 0
这似乎是一个基本的问题，但我无法解决。
在神经网络的前通过中，我有一个形状为8x3x3的输出张量，其中8是我的批次大小。我们可以假定每个3x3张量都是一个非奇异矩阵。我需要找到这些矩阵的逆。PyTorch 函数仅适用于方阵。既然我现在有8x3x3，如何以可微的方式将此函数应用于批处理中的每个矩阵？
如果我迭代这些示例并将逆附加到python列表中，然后将其转换为PyTorch张量，那么它是否会在备份期间出现问题呢？(我的问题是，因为将PyTorch张量转换为numpy来执行一些操作，然后返回到张量，就不会在支持这些操作时计算梯度)。
当我尝试做类似的事情时，我也会得到以下错误。
a = tor
浏览 23提问于2017-10-05得票数 10
2回答
我正在尝试实现一个类似于完全卷积网络的东西，其中最后一个卷积层使用滤波器大小为1x1的滤波器，并输出一个'score‘张量。分数张量有形状批次、高度、宽度、num_classes。
我的问题是，tensorflow中的哪个函数可以独立于其他像素对每个像素应用softmax操作。tf.nn.softmax操作似乎不是为了这个目的。
如果没有这样的操作，我想我必须自己写一个。
谢谢!
更新:如果我必须实现自己，我认为我可能需要将输入张量重塑为N，num_claees，其中N=批次x宽度x高度，并应用tf.nn.softmax，然后重塑它。这有意义吗？
浏览 0提问于2016-04-26得票数 9
我试图了解Tensorflow调试器tfdbg是如何工作的：
with sv.managed_session(config=config_proto) as session:
session = tf_debug.LocalCLIDebugWrapperSession(session)
for i in range(config.max_epoch):
session.run(model.lr)
当调试器启动时，它会向我们显示以下窗口：
在阅读了这些文档并在youtube上看了一个小教程之后，我不明白“运行”和“步”命令到底代表什么，更重要的是，它们与
浏览 0提问于2018-03-03得票数 0
回答已采纳
我想在TensorFlow中使用这个函数，但是它对3D张量而不是4D张量进行操作:我有一个外部维度batch_size。
tf.image.random_flip_left_right(input_image_data)
也就是说，此函数需要形状的张量(图像)：
(width, height, channels)
但我有多个图像，例如：
(batch_size, width, height, channels)
如何将随机翻转函数映射到批处理大小中的每个图像，并将具有相同4D形状的张量作为输出？
我的猜测是，它需要在函数入口处进行重塑，并在函数之后进行重塑，但我不确定这是否会破坏数据的结构，并
浏览 4提问于2016-09-19得票数 5
我正在处理一个视频帧数据，我正在获取输入数据，作为形式批次，通道，frame_sequence，高度，重量的张量(为了清楚起见，让我们用B，C，S，H，W来表示它。因此，每个批次基本上由连续的帧序列组成。我主要想做的是在每个帧上运行一个编码器(由几个conv2d组成)，即每个C，H，W，并将其恢复为B，C_output，S，H_output，W_output。现在conv2d期望输入为(N，C_in，H_in，W_in)形式。我想知道在不打乱5D张量的顺序的情况下，最好的方法是什么。到目前为止，我正在考虑以下想法：
>>> # B,C,seq,h,w
# 4,2, 5, 3
浏览 7提问于2017-07-27得票数 3
回答已采纳
我的问题与外部定义的数据结构：张量有关。张量是一个多维数组。在中，张量是一个有两个字段的类: t.data，t.size：
% Create the tensor
t.data = data;
t.size = siz;
t = class(t, 'tensor');
return;
就像Matlab中内置的函数zeros()一样，我可以使用tenzeros()创建一个充满零的张量，例如，tenzeros(2,3,4)。这个工具箱中还有其他类型的张量数据结构:张量、张量等。
我的问题是，我如何预先分配200个张量或其他张量类型，其中每个张量
浏览 3提问于2014-11-19得票数 1
回答已采纳
如果输入数据是numpy数组格式，那么我们可以在图中声明一个占位符，并将numpy数组数据提供给占位符。但是，如果输入数据已经是张量格式(这是我们使用tf.image.decode_jpeg加载jpg文件时的情况)，那么我们不能将张量提供给占位符。在这种情况下，我们是否应该使用不可训练的TF变量作为占位符，并通过tf.assign将张量提供给这些变量？
浏览 0提问于2017-11-19得票数 0
我有一个2D张量和一个索引张量。2D张量有一个批次维度和一个具有3个值的维度。我有一个索引张量，它只选择3个值中的1个元素。产生只包含索引张量中元素的切片的“最佳”方法是什么？ t = torch.tensor([[1,2,3], [4,5,6], [7,8,9]])
t = tensor([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
i = torch.tensor([0,0,1], dtype=torch.int64)
tensor([0, 0, 1]) 预期输出... tensor([1, 4, 8])
浏览 20提问于2019-02-21得票数 0
回答已采纳
1回答
在下图中显示了定义bias b1 term的尺寸的代码，我想知道为什么bias b1的第一个尺寸不是batch size？这是否意味着它只是假设这种偏见适用于所有批次？
如果我将bias b1尺寸指定为(batch_size，256)，那么是否意味着我正在将不同的b1应用于不同的批次？但从理论上讲，它应该仍然可以工作，对吗？还有张量(256)，(256，)和(256，1)之间的区别是什么？
浏览 0提问于2020-02-21得票数 0
我想使用tensorflow拆分csv的训练和测试数据，但我在张量中找不到像np.loadtxt这样的顺序，并尝试使用numpy进行拆分并将其转换为张量，但我得到了类似以下的错误：
TypeError: object of type 'Tensor' has no len()
下面是我的代码：
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_t
浏览 0提问于2019-03-24得票数 0
基本上，我有两个张量，我试图将两个张量相乘(一个是简单的大小，另一个张量的大小是batch，x，y，z)，这样批次中的每个3D张量都会按其相应的值进行缩放
目前，我正在尝试以下方法，但我还没有找到一种可行的方法！
enc_out1 = tf.math.multiply(enc_out1, w_int, name=None)
#enc_out1 has shape [batch, x, y, z], w_int has shape [batch]
非常感谢任何人的帮助
浏览 4提问于2021-03-09得票数 1
1回答
我使用pytorch作为数组处理语言(不是为了传统的深度学习目的)，我想知道做“批处理”并行的标准方法是什么。
例如，假设我想要计算三维张量的二维层的svds (比如使用torch.svd() )，并且我想返回堆叠的u的元组，堆叠的s，堆叠的v。
想必，通过SIMD并行的魔力，这应该可以在大致相同的时间内完成单层svd (在gpu上)，但如何编程呢？
浏览 20提问于2020-02-17得票数 1
1回答
我有一个11*11*21 3D数据集合，我想使用3D convnet对其进行分类。通过使用gluon的批量大小为64的数据加载器，我对网络的输入张量是(64L，11L，11L，21L)。当我试图运行这个程序时，我得到了以下错误。
"infer_shape error. Arguments:
data: (64L, 11L, 11L, 21L)"
然后我意识到3D转换将5D张量作为输入，因此我被困在如何为网络创建5D张量输入上。
如果有用的话，这里是我目前用来为convnet创建数据的代码。
train_dataset = mx.gluon.data.ArrayDataset((
浏览 6提问于2018-08-07得票数 0
回答已采纳
我有一个4D张量(它恰好是由三批56x56图像组成的堆栈，每批有16个图像)，其大小为16、3、56、56。我的目标是为每个像素选择正确的三个批次中的一个(使用大小为16、56、56的索引映射)，并获取我想要的图像。
现在，我希望选择--这是这三个批次中的特定批次图像，其中有一个值，如
[[[ 0, 0, 2, ..., 0, 0, 0],
[ 0, 0, 2, ..., 0, 0, 0],
[ 0, 0, 0, ..., 0, 0, 0],
...,
[ 0, 0,
浏览 0提问于2019-10-20得票数 1
回答已采纳
我使用tensorflow实现了一个简单的CNN。到目前为止，我习惯于在最后一个卷积层上放置一个大小为2的完全连接的层，以区分我的两个类。现在，我想将最后一个卷积层提供给RNN，然后执行分类。
最后一个卷积层的输出称为"cnn_output“，是该形式的张量
<tf.Tensor 'Sigmoid_1:0' shape=(?, 168, 32) dtype=float32>
在将其提供给rnn之前，我使用以下命令对其进行拆分：
input_series = tf.split(axis=2, num_or_size_splits= 32, value = cn
浏览 2提问于2017-11-13得票数 0
假设我有一个大小为BxWxHxD的张量。我想要处理张量，这样我就有了一个新的BxWxHxD张量，其中只保留每个WxH切片中的最大元素，而所有其他值都为零。
换句话说，我认为实现这一点的最好方法是以某种方式跨WxH切片获取2Dargmax，从而产生行和列的BxD索引张量，然后可以将其转换为单热BxWxHxD张量用作掩码。我该怎么做呢？
浏览 2提问于2016-04-04得票数 9
1回答
我正在使用theano完成我的第一步，我不知道如何解决这个问题，这实际上是非常容易的。
我有一个3 * 4 * 2张量，如下所示：
[1 1] | [2 2] | [3 3]
[1 1] | [2 2] | [3 3]
[0 0] | [2 2] | [3 3]
[9 9] | [0 0] | [3 3]
所以我有N=3序列，每个序列的长度都是L=4，它们的元素是维数d=2的向量。实际上，序列可以有不同的长度，但我可以考虑用[0 0]向量填充它们，如上面所示。
我要做的是，首先扫描张量的第一轴，然后把列表中的所有向量加到前0向量 --这就是为什么我在第一个张量切片的末尾加了9 9，以检查和退出
浏览 2提问于2015-09-28得票数 3
回答已采纳
1回答
以下与在python中实现神经网络有关： def update_mini_batch(self, mini_batch):
nabla_b = [np.zeros(b.shape) for b in self.biases]
nabla_w = [np.zeros(w.shape) for w in self.weights]
for x, y in mini_batch:
delta_nabla_b, delta_nabla_w = self.backprop(x, y)
nabla_b = [nb+dnb for nb, dnb
浏览 10提问于2021-09-10得票数 0
回答已采纳
我正在训练一个模型，特征形状是3751,4，我想使用Tensorflow中内置的重塑和层密度函数来使输出标签具有形状1,6。
训练集和测试集非常相似，唯一的区别是测试数据集的批次少于训练集。
现在，我的模型中有两个隐藏层，它们的作用类似于：
input_layer = tf.reshape(features["x"], [1,-1])
first_hidden_layer = tf.layers.dense(input_layer, 4, activation=tf.nn.relu)
second_hidden_layer = tf.layers.dense(first_hid
浏览 1提问于2018-05-24得票数 0
我正在尝试从n点、3D坐标和b批次中提取特定的行。本质上，我的张量T1是b*n*3的形状。我有另一个形状为b * n的布尔张量T2，表示需要取n的哪些行。从本质上讲，我的输出应该是b*?*3，因为T2在每批中可以有不同数量的1。 我已经使用布尔掩码实现了以下内容，但输出不是预期的，输出形状是(?,)而不是(b*?*3)。 # expand T2 to (b,n,3). i.e. 0 replicates to (0,0,0) and so is 1
mask = tf.tile(tf.expand_dims(T2,2), [1,1,3])
# query using boolean ma
浏览 31提问于2019-05-16得票数 1
1回答
使用阈值创建张量
、、
我正在研究一个将32x32大小的图像作为输入的神经网络。我需要编写一个自定义损失函数，并且我必须从大小张量img = (batch，32，32)和大小阈值张量tresh = (batch，)创建掩码。 因为每个批次都有一个阈值，所以我希望能够使用TensorFlow函数创建一个大小张量( batch，32，32)，在阈值以下的位置使用0，在阈值以上的位置使用1。 我已经试过了： mask = tf.where(error >= treshold, tf.zeros([batch, 32, 32], tf.float32)+1, tf.zeros([batch, 32, 32], tf.
浏览 5提问于2020-12-10得票数 1
回答已采纳
1回答
我有张量就像：
tensor([[ 9, -1, -1],
[ 7, -1, -1],
[ 6, 4, -1]])
去除填充物并得到以下内容的最有效方法是：
[[9], [7], [ 6, 4]])
谢谢你能提供的任何帮助。
浏览 8提问于2022-10-24得票数 1
以下是tensorflow中tf.GraphKeys的，例如TRAINABLE_VARIABLES：将由优化器训练的变量对象的子集。
我知道tf.get_collection()，它可以找到你想要的张量。
使用tensorflow.contrib.layers.batch_norm()时，参数updates_collections默认值为GraphKeys.UPDATE_OPS。
我们如何理解这些集合，以及它们之间的差异。
此外，我们可以在ops.py上找到更多。
浏览 0提问于2018-01-15得票数 18
回答已采纳
根据 of tf.contrib.rnn.DropoutWrapper
output_keep_prob：单位张量或浮动在0到1之间，输出保持概率；如果它是常数和1，则不会添加输出丢失。
state_keep_prob：单位张量或浮动在0到1之间，输出保持概率；如果它是常数和1，则不会添加输出丢失。状态丢失是对单元的输出状态执行的。
这两个参数的描述几乎是一样的，对吧？
我将output_keep_prob设置为默认和state_keep_prob=0.2，经过400个迷你批次的培训后，loss总是围绕着11.3，而将output_keep_prob=0.2和state_kee
浏览 0提问于2017-08-14得票数 1
回答已采纳
我使用的是带有--enable-batching=true的GPU上的tensorflow。
但是，我对max_batch_size中的batching_config.txt有一点困惑。
我的客户端在单个[-1, 1000]请求中发送带有张量形状的gRPC输入张量，dim0范围从(0， 200]。我设置了max_batch_size = 100并接收了一个错误：
gRPC调用返回代码:3:任务大小158大于最大批处理大小100
gRPC调用返回代码:3:任务大小162大于最大批处理大小100
看起来max_batch_size限制了单个请求的dim0，但是tensorflow将多个请求
浏览 1提问于2018-11-02得票数 1
我用张量流实现了一个神经网络，它似乎只运行在1/32的数据点上。然后，我试着遵循简单的例子，看看是否是我：
即使使用相同(复制和粘贴)代码，我仍然得到1/32的培训数据正在处理。
Epoch 3/3
1875/1875 [==============================] - 2s 961us/step - loss: 0.0733 - accuracy: 0.9773
下面的示例没有给出如下内容：
Epoch 3/3
60000/60000 [==============================] - 5s 89us/step - loss: 0.0715 - acc:
浏览 3提问于2020-05-15得票数 2
回答已采纳
1回答
我有一个大小为的4D张量，但我需要计算每个24x24矩阵的特征值，以获得大小为的2D张量，其中每个元素表示相应矩阵的特征值。
浏览 0提问于2018-03-24得票数 2
我目前正在尝试使定制的keras层工作，您可以在这里看到一个简化的版本：
class MyLayer(Layer):
def __init__(self, **kwargs):
super(MyLayer, self).__init__(**kwargs)
def build(self, input_shape):
print("input_shape: "+str(input_shape))
self.kernel = self.add_weight(name='kernel',
浏览 3提问于2020-03-18得票数 1
回答已采纳
tensorflow如何单独优化批次的元素损失，而不是优化批次损失？ 在对每个批次的损失进行优化时，常用的方法是对所有批次的元素损失进行求和或取其平均值作为批次损失，然后对该批次损失进行优化。在我的例子中，我想单独优化每个元素的损失，而不是将它们一起减少为批量损失。 例如，在以下代码中。 losses = tf.nn.nce_loss(<my batch inputs here>)
loss = tf.reduce_mean(losses)
optim = tf.nn.GradientDesentOptimizor(learning_rate = 0.01).minimize(l
浏览 17提问于2019-04-19得票数 0
2回答
softmax应该应用于哪个维度？
这段代码：
%reset -f
import torch.nn as nn
import numpy as np
import torch
my_softmax = nn.Softmax(dim=-1)
mu, sigma = 0, 0.1 # mean and standard deviation
train_dataset = []
image = []
image_x = np.random.normal(mu, sigma, 24).reshape((3 , 4, 2))
train_dataset.append(image_x)
x =
浏览 1提问于2018-09-26得票数 5
回答已采纳
1回答
我编写了一个定制的TensorFlow模型。然而，当我将单个张量传递给它时，它会将该张量的每个元素视为单个输入，从而给出一个批处理输出。
就像。我的输入张量为3,1的形状，值为：
tf.Tensor(
[[0.7001484 ]
[0.2581525 ]
[0.04169908]], shape=(3, 1), dtype=float32)
对应于此，我应该得到一个形状向量(3，)。但我得到的是3x3张量：
tf.Tensor(
[[0.31234854 0.3224371 0.36521438]
[0.32561225 0.3294511 0.3449366 ]
[0.33208
浏览 2提问于2020-06-12得票数 0
回答已采纳
我在一个循环中有一些损失，将它们存储在张量loss中。现在我想将权重张量乘以损失张量，以获得最终损失，但在torch.dot()之后，结果标量ll_new具有requires_grad=False。以下是我的代码。
loss_vector = torch.FloatTensor(total_loss_q)
w_norm = F.softmax(loss_vector, dim=0)
ll_new = torch.dot(loss_vector,w_norm)
完成上述操作后，我如何才能在ll_new上使用requires_grad=False？
浏览 0提问于2020-06-10得票数 0
我对tensorflow还比较陌生，并且遇到了一些问题，试图正确地对张量进行索引。在图的底部，我试图使用x(它本身是一个包含数组形式的张量，如[0,1，2,3])来索引y_rt张量(可以认为它是切片y_rt张量)。但是，我在将张量转换为数组或列表时遇到了困难。我知道有.eval()函数，但是我不能在这里使用它，因为显示的代码发生在.run()调用之前。任何帮助都将不胜感激。
with tf.name_scope('placeholders'):
x_true = tf.placeholder(tf.float32, shape=[None, size, size, 1], na
浏览 0提问于2018-07-13得票数 0
回答已采纳
我正在研究tensorflow。关于tensorflow.data.Dataset中的repeat函数，如果repeat函数中没有参数，repeat()，张量应该无限重复。但是，当不带参数的repeat函数与循环语句下的批处理函数结合使用时，它会创建一个没有无限重复的结果，如下所示。我不能理解这个过程。你能用下面的例子解释一下repeat函数吗？谢谢!
for count_batch in ds_counter.repeat().batch(10).take(10):
print(count_batch.numpy())
[0 1 2 3 4 5 6 7 8 9]
[10 11 12 1
浏览 36提问于2020-05-21得票数 0
1回答
以U网为单层的语义分割输入标签
、、、、
例如，在使用U-Net进行语义分割时，将标签数据作为一个热编码的张量提供似乎是常见的做法。，一位用户指出，这是由于标签通常表示分类值。将它们作为一个层内的类标签(灰度强度值)提供给网络会带来困难。
然而，在中，作者解释说
“.有时被打包成灰度图像，其中像素强度表示类id .这种方法最容易使用。它允许分发一个小文件大小.一个热向量表示比灰度编码格式占用更多的内存。”
我的硬件非常有限，我希望将标签编码为1层灰度张量，而不是n层(n是要分割的类数)，从而降低内存使用量。然而，博客的作者还指出：
“即使您使用的深度学习框架接受标签数据作为类ids (如灰度格式)，它也会将数据转换为幕后的一
浏览 0提问于2019-02-25得票数 1
我正在尝试用一个参差不齐的张量来索引tensorflow中的批处理。 X = tf.constant([[[1,2,3], [4,5,6], [7,8,9]],
[[9,8,7], [6,5,4], [3,2,1]]]) 第一个维度是批次，第二个维度是序列长度。使用gather_nd，我可以选择单独的行和列。 tf.gather_nd(X, [[[0, 1], [0, 2], [0, 0]], [[1, 0], [1, 1], [1, 2]]]) 但我必须使用粗糙的张量作为选择的输入。例如。 tf.gather_nd(X, [[[0, 1], [0, 2]], [[1
浏览 13提问于2020-10-02得票数 1
1回答
我有两个形状张量：A和B，都是PyTorch (b, c, 3)。我想做A和B的外积C，这样得到的形状就是(b, c, 3, 3)，并用加法代替乘法运算。我怎么发动汽车呢？
浏览 13提问于2019-04-18得票数 0
我正在使用Tensorflow，下面我遇到了一个问题：
在我的模型中有一个巨大的张量，它的大小是其他模型的100倍。我知道参数是循环存储的，但我的理解是，单张量属于单参数服务器，而这个庞大的张量可能成为瓶颈。
有可能在多参数服务器上分裂这个巨大的张量吗？
浏览 0提问于2018-06-14得票数 0
回答已采纳
1回答
我有两个张量：
A具有形状(批次、序列、单词)和B具有形状(批次、序列)。
A = torch.tensor([[[ 1., 2., 3.],
[ 5., 6., 7.]],
[[ 9., 10., 11.],
[13., 14., 15.]]])
B = torch.tensor([[0, 2],
[1, 0]])
我想要得到以下内容：
C = torch.zeros_like(B)
for i in range(B.shape[0]):
for j in range(B.shape[1]):
C[i,j] = A[i,j,B
浏览 238提问于2021-03-13得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
