Skip to main content

tf.where()函数

tf.where()定义如下：
where(condition, x=None, y=None,name=None)
condition:一个Tensor,数据类型为tf.bool类型
如果x、y均为空，那么返回condition中值为True的位置的Tensor：例如：x就是condition，y是返回值

Comments

Post a Comment

Popular posts from this blog

神经网络（容易被忽视的基础知识）

神经网络（容易被忽视的基础知识） Evan 180 人赞了该文章 以下大多笔记主要来自cs231n和其他深度学习资料和一些我自己的补充，首先CS231n一个非常不错的deep learning课，值得一看，奉上 链接 ，然后，cs231n本身是有笔记的- 链接 ，最后，知乎上的一些大神对这个笔记进行了翻译--- 链接 。在这里，我主要是将一些重要的笔记，我认为是比较容易被我们忽视的，加上查阅其他博文，做一个笔记和心得总结！ 这次主要讲解的内容有： 基本神经元 作为线性分类器的单个神经元 为什么要是深度神经网而不是”肥胖“神经网络？ 为什么在人工神经网络中的神经元需要激活函数？ 一些主要的激活函数 神经网络中的偏置有什么意义？ 初始化神经网络的参数可以全为0吗，其他普通线性分类器呢？ 交叉熵损失存在的意义和与平方差损失相比有什么好处？ 神经元 下面图表的左边展示了一个生物学的神经元，右边展示了一个常用的数学模型。乍一看还是有点相似的，事实上也是，人工神经网络中的神经元也有受到生物神经元的启发。总结要点： 在生物的神经元（也就是左图）中，树突将信号传递到细胞体，信号在细胞体中相加。如果最终之和高于某个阈值，那么神经元将会 激活 ，向其轴突输出一个峰值信号， 注意这里输出是一个脉冲信号！ 在数学计算模型（也就是右图）中，首先将输入 进行加权求和加上偏执 ，得到待激励值，然后将该值作为输入，输入到 激活函数 中，最后输出的是一个 激励后的值 ，这里的激活函数可以看成对生物中神经元的激活率建模。由于历史原因，激活函数常常选择使用 sigmoid函数  ， 当然还有很多其他激活函数，下面再仔细聊！ 需要注意： 1.一个神经元可以看成 包含两个部分 ，一个是对输入的加权求和加上偏置，一个是激活函数对求和后的激活或者抑制。2.注意生物中的神经元要复杂的多，其中一个是生物中的输出是一个脉冲，而现在大多数的数学模型神经输出的就是一个值，当然现在也有一些脉冲人工神经网络，可以自行了解！ 作为线性分类器的单个神经元 比如基础的逻辑回归，结合上面的神经元知识，可以发现，逻辑回归就是激活函数是 sigmoid 的单层简单神经网络。也就是说，只要在神经元...
Post a Comment
Read more

TF random_normal和Python random.normal的用法

先看TF tf.random_normal()函数用于从服从指定正太分布的数值中取出指定个数的值。 tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None) 再看NP np.random.normal()给出均值为loc，标准差为scale的高斯随机数（场）. numpy.random.normal(loc=0.0, scale=1.0, size=None) 所谓正态分布==高斯分布，所以二者一回事 mean==loc==均值（或称期待值） stddev==scale==标准差 shape==size==输出形状，二者在处理这个参数时候(a,b)==[a,b],其中，np的normal对参数格式要求更灵活一些。 比如创建随机数的一行两列数组： np.random.normal([2])==np.random.normal((2))==np.random.normal(0，1，2)注意最后一种用法必须带上前面两个参数，否则传递参数时候会把2当作均值传递 而tf的random_normal对shape的要求不能是数字，必须为[]或（）格式 再探究一下形状参数的规律，看下面代码 a=np.random.normal(0,1,(2,1)) b=np.random.normal(0,1,(1,2)) c=np.random.normal(0,1,(2)) print(a) print(a.shape) print(b) print(b.shape) print(c) print(c.shape) 程序输出如下 [[ 1.11843359] [-0.69801129]] (2, 1) [[-0.87110089 -0.46089345]] (1, 2) [ 0.88227522 -0.26728542] (2,) a,b是二维的矩阵，c是一维的矩阵（严格说一维的不是矩阵）
Post a Comment
Read more

tf.transpose矩阵的转置

二维矩阵的转置很简单，元素的i，j坐标交换就行。多为矩阵的转换复杂，遵循什么规律呢？ 先看看代码： import tensorflow as tf import numpy as np print("二维矩阵的转置\n") t=[[1,2,3],[4,5,6]] t1=tf.transpose(t) t2=tf.transpose(t,[0,1])#[0,1]是正常的坐标轴排列顺序，运行结果不转置 t3=tf.transpose(t,[1,0]) sess=tf.Session() print("Default Transepose is:\n",sess.run(t1),"\n[0,1] Tranpose is:\n",sess.run(t2),"\n[1,0] Tranpose is:\n",sess.run(t3)) print("三维矩阵的转置") t=[[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]]#这个三维矩阵有两张表格，每个表格都是2行3列 print("先测试不带perm参数的默认转置和参数顺序为不转置的正常坐标轴顺序［0,1,2］转置结果") t1=tf.transpose(t) t2=tf.transpose(t,[0,1,2]) print(sess.run(t1)) print(sess.run(t2)) 代码输出如下： 二维矩阵的转置 Default Transepose is: [[1 4] [2 5] [3 6]] [0,1] Tranpose is: [[1 2 3] [4 5 6]] [1,0] Tranpose is: [[1 4] [2 5] [3 6]] 三维矩阵的转置 先测试不带perm参数的默认转置和参数顺序为不转置的正常坐标轴顺序［0,1,2］转置结果 [[[ 1 7] [ 4 10]] [[ 2 8] [ 5 11]] [[ 3 9] [ 6 12]]] 这里分析一下元素的坐标在转换前和转换后的变化： 1:(0,0,0)==>(...
Post a Comment
Read more