Tensorflow tf.tile()的用法實(shí)例分析
tf.tile()應(yīng)用于需要張量擴(kuò)展的場(chǎng)景，具體說(shuō)來(lái)就是：
如果現(xiàn)有一個(gè)形狀如[width, height]的張量，需要得到一個(gè)基于原張量的，形狀如[batch_size,width,height]的張量，其中每一個(gè)batch的內(nèi)容都和原張量一模一樣。tf.tile使用方法如：
tile( input, multiples, name=None )
import tensorflow as tf a = tf.constant([7,19]) a1 = tf.tile(a,multiples=[3]) #第一個(gè)維度擴(kuò)充3遍 b = tf.constant([[4,5],[3,5]]) b1 = tf.tile(b,multiples=[2,3])#第一個(gè)維度擴(kuò)充2遍，第二個(gè)維度擴(kuò)充3遍 with tf.Session() as sess: print(sess.run(a)) print(sess.run(a1)) print(sess.run(b)) print(sess.run(b1))
補(bǔ)充知識(shí)：tf.tile() 和 tf.contrib.seq2seq.tile_batch()
簡(jiǎn)單介紹這兩個(gè)函數(shù)的基本用法, 以及區(qū)別. 以及在 BeamSearch 的時(shí)候用哪個(gè)?
# 將input的某一維度復(fù)制多少次, len(input.shape()) 等于 len(multiples) # tf.tile(input, multiples, name=None) t = tf.constant([[1, 1, 1, 9], [2, 2, 2, 9], [7, 7, 7, 9]]) # 第一維度和第二維度都保持不變 z0 = tf.tile(t, multiples=[1, 1]) # 第1維度不變, 第二維度復(fù)制為2份 z1 = tf.tile(t, multiples=[1, 2]) # 第1維度復(fù)制為兩份, 第二維度不變 z2 = tf.tile(t, multiples=[2, 1]) # tf.contrib.seq2seq.tile_batch(encoder_outputs, multiplier=self.beam_size) encoder_outputs = tf.constant([[[1, 3, 1], [2, 3, 2]], [[2, 3, 4], [2, 3, 2]]]) print(encoder_outputs.get_shape()) # (2, 2, 3) # 將batch內(nèi)的每個(gè)樣本復(fù)制3次, tile_batch() 的第2個(gè)參數(shù)是一個(gè) int 類型數(shù)據(jù) z4 = tf.contrib.seq2seq.tile_batch(encoder_outputs, multiplier=3) with tf.Session() as sess: print(sess.run(z0)) print(sess.run(z1)) print(sess.run(z2)) 輸出: [[1 1 1 9] [2 2 2 9] [7 7 7 9]] [[1 1 1 9 1 1 1 9] [2 2 2 9 2 2 2 9] [7 7 7 9 7 7 7 9]] [[1 1 1 9] [2 2 2 9] [7 7 7 9] [1 1 1 9] [2 2 2 9] [7 7 7 9]] [[[1 3 1] [2 3 2]] [[1 3 1] [2 3 2]] [[1 3 1] [2 3 2]] [[2 3 4] [2 3 2]] [[2 3 4] [2 3 2]] [[2 3 4] [2 3 2]]]
以上這篇Tensorflow tf.tile()的用法實(shí)例分析就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python實(shí)現(xiàn)爬取騰訊招聘網(wǎng)崗位信息
這篇文章主要介紹了如何用python爬取騰訊招聘網(wǎng)崗位信息保存到表格，并做成簡(jiǎn)單可視化。文中的示例代碼對(duì)學(xué)習(xí)Python有一定的幫助，感興趣的可以了解一下2022-01-01
python的大多數(shù)擴(kuò)展包，都可以使用pip來(lái)自動(dòng)安裝。所以pip還是有很多小技巧的。這篇文章主要給大家介紹了關(guān)于Python包管理工具pip的15 個(gè)使用小技巧，需要的朋友可以參考下2021-05-05
Python流式游標(biāo)與緩存式(默認(rèn))游標(biāo)的那些坑及解決
這篇文章主要介紹了Python流式游標(biāo)與緩存式(默認(rèn))游標(biāo)的那些坑及解決,具有很好的參考價(jià)值,希望對(duì)大家有所幫助,如有錯(cuò)誤或未考慮完全的地方,望不吝賜教2024-07-07
python庫(kù)使用Fire庫(kù)生成命令行參數(shù)
Python Fire是一個(gè)開(kāi)源庫(kù)，能把Python對(duì)象轉(zhuǎn)換為命令行界面，F(xiàn)ire庫(kù)是一個(gè)非常有用的工具，它可以幫助開(kāi)發(fā)人員創(chuàng)建命令行界面，并且可以將任何Python對(duì)象轉(zhuǎn)換為命令行界面，這篇文章主要介紹了python庫(kù)使用Fire庫(kù)生成命令行參數(shù),需要的朋友可以參考下2024-02-02
pytorch中nn.Sequential和nn.Module的區(qū)別與選擇方案
在 PyTorch 中,構(gòu)建神經(jīng)網(wǎng)絡(luò)模型有兩種主要方式：nn.Sequential 和 nn.Module,它們各有優(yōu)缺點(diǎn),適用于不同的場(chǎng)景,下面通過(guò)示例給大家講解pytorch中nn.Sequential和nn.Module的區(qū)別與選擇方案,感興趣的朋友一起看看吧2024-06-06
在python中求分布函數(shù)相關(guān)的包實(shí)例
這篇文章主要介紹了在python中求分布函數(shù)相關(guān)的包實(shí)例，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2020-04-04
APPium+Python編寫(xiě)真機(jī)移動(dòng)端自動(dòng)化腳本的項(xiàng)目實(shí)踐
本文主要介紹了APPium+Python編寫(xiě)真機(jī)移動(dòng)端自動(dòng)化腳本的項(xiàng)目實(shí)踐，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2022-07-07
Python+selenium實(shí)現(xiàn)自動(dòng)循環(huán)扔QQ郵箱漂流瓶
這篇文章主要為大家詳細(xì)介紹了Python+selenium實(shí)現(xiàn)自動(dòng)循環(huán)扔QQ郵箱漂流瓶，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-05-05
用python對(duì)oracle進(jìn)行簡(jiǎn)單性能測(cè)試
這篇文章主要介紹了用python對(duì)oracle進(jìn)行簡(jiǎn)單性能測(cè)試的示例，幫助大家更好的理解和使用python，感興趣的朋友可以了解下2020-12-12
python+opencv實(shí)現(xiàn)堆疊圖片
這篇文章主要為大家詳細(xì)介紹了python+opencv實(shí)現(xiàn)堆疊圖片，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2022-04-04