一、張量裁剪

1.tf.maximum/minimum/clip_by_value()

該方法按數(shù)值裁剪，傳入tensor和閾值，maximum是把數(shù)據(jù)中小于閾值的變成閾值。minimum是把數(shù)據(jù)中大于閾值的變成閾值。clip_by_value需要傳入兩個(gè)閾值，會(huì)把數(shù)據(jù)裁剪到閾值中間。

2.tf.clip_by_norm()

按范數(shù)裁剪，傳入tensor和新的范數(shù)。通過(guò)裁剪范數(shù)，可以進(jìn)行等比例放縮，使得梯度方向不變，但數(shù)值變小。通過(guò)這個(gè)方法可以對(duì)梯度進(jìn)行裁剪，一次性對(duì)所有的參數(shù)的范數(shù)進(jìn)行裁剪，并且保留方向。防止梯度爆炸，梯度彌散。

二、張量排序

1.tf.sort/argsort()

這兩個(gè)方法分別返回排序后的值，排序后的索引。有索引之后，可以通過(guò)gather方法對(duì)數(shù)據(jù)排序。

對(duì)于多維tensor，不指定軸的時(shí)候，默認(rèn)是對(duì)最后一個(gè)軸操作。

2.tf.math.topk()

返回前k大的那些數(shù)據(jù)，以及索引。比如下面的例子，傳入a，2的意思是前兩個(gè)大的值。因此會(huì)對(duì)每一行，尋找前兩大的數(shù)，以及對(duì)應(yīng)的索引，存到返回值中。

可以通過(guò)這個(gè)規(guī)則，求解topk的準(zhǔn)確率。比如下面的例子，對(duì)于兩條數(shù)據(jù)，預(yù)測(cè)概率是prob，根據(jù)預(yù)測(cè)概率，得到這兩條數(shù)據(jù)最大值索引是2,1，而實(shí)際的值target是2,0。

①通過(guò)tf.math.top_k方法，對(duì)預(yù)測(cè)的概率進(jìn)行排序，讓它返回前三大的值。并得到索引。

②將索引進(jìn)行轉(zhuǎn)置之后，可以方便地閱讀：第一列就是第一條數(shù)據(jù)的預(yù)測(cè)值概率索引排序，第二列就是第二條數(shù)據(jù)的預(yù)測(cè)值概率索引排序。

③那么，對(duì)于兩條數(shù)據(jù)top1的準(zhǔn)確率，就是概率最大的索引，也就是第一行的兩個(gè)數(shù)據(jù)，2,1，而實(shí)際值是2,0，那么top1準(zhǔn)確率就是50%

④top2的準(zhǔn)確率，意思就是，只要前兩名的概率預(yù)測(cè)有對(duì)的，那就算預(yù)測(cè)對(duì)了。那么第一行，第一條預(yù)測(cè)對(duì)了，第二條預(yù)測(cè)錯(cuò)了。而第二行，第一條預(yù)測(cè)錯(cuò)了，第二條預(yù)測(cè)對(duì)了。

⑤那么，根據(jù)“只要前兩個(gè)概率有一個(gè)對(duì)，那就算對(duì)”，top2的準(zhǔn)確率就是100%

三、TensorFlow高階操作

1.tf.where()

如果傳入布爾型數(shù)據(jù)，會(huì)根據(jù)數(shù)據(jù)返回值為T(mén)rue的數(shù)值的索引。

如果傳入條件數(shù)據(jù)，比如where(condition, A, B)，condition是一個(gè)布爾tensor，會(huì)從A里面選擇condition為true的位置所對(duì)應(yīng)的數(shù)據(jù)，從B里面選擇conditon為false的位置所對(duì)應(yīng)的數(shù)據(jù)。

2.tf.scatter_nd()

該方法中，傳入索引，數(shù)據(jù)，底板。

底板通常是全0的tensor，索引是和數(shù)據(jù)一一對(duì)應(yīng)的，并且索引的長(zhǎng)度不超過(guò)底板。

傳入的每一個(gè)數(shù)據(jù)都對(duì)應(yīng)一個(gè)索引，然后把數(shù)據(jù)更新到底板上面索引對(duì)應(yīng)的位置。

如果底板已經(jīng)有數(shù)據(jù)了，就需要全部清零，再更新。

在二維上面舉例如下：

3.tf.meshgrid()

和numpy里面的meshgrid用法一樣，分別生成的是網(wǎng)格中x和y的數(shù)據(jù)。例子如下：

然后使用stack進(jìn)行一個(gè)堆疊，就可以得到所有25個(gè)點(diǎn)的坐標(biāo)。

以上就是TensorFlow人工智能學(xué)習(xí)張量及高階操作示例詳解的詳細(xì)內(nèi)容，更多關(guān)于TensorFlow張量高階操作的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論