TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

声明：

需要读者对tensorflow和深度学习有一定了解

tf.boolean_mask实现类似numpy数组的mask操作

Python的numpy array可以使用boolean类型的数组作为索引，获得numpy array中对应boolean值为True的项。示例如下：

# numpy array中的boolean maskimport numpy as nptarget_arr = np.arange(5)print "numpy array before being masked:"print target_arrmask_arr = [True, False, True, False, False]masked_arr = target_arr[mask_arr]print "numpy array after being masked:"print masked_arr

运行结果如下：

numpy array before being masked: [0 1 2 3 4] numpy array after being masked: [0 2]

tf.boolean_maks对目标tensor实现同上述numpy array一样的mask操作，该函数的参数也比较简单，如下所示：

tf.boolean_mask( tensor, # target tensor mask, # mask tensor axis=None, name='boolean_mask')

下面，我们来尝试一下tf.boolean_mask函数，示例如下：

import tensorflow as tf# tensorflow中的boolean masktarget_tensor = tf.constant([[1, 2], [3, 4], [5, 6]])mask_tensor = tf.constant([True, False, True])masked_tensor = tf.boolean_mask(target_tensor, mask_tensor, axis=0)sess = tf.InteractiveSession()print masked_tensor.eval()

mask tensor中的第0和第2个元素是True，mask axis是第0维，也就是我们只选择了target tensor的第0行和第1行。

[[1 2] [5 6]]

如果把mask tensor也换成2维的tensor会怎样呢？

mask_tensor2 = tf.constant([[True, False], [False, False], [True, False]])masked_tensor2 = tf.boolean_mask(target_tensor, mask_tensor, axis=0)print masked_tensor2.eval()

[[1 2] [5 6]]

我们发现，结果不是[[1], [5]]。tf.boolean_mask不做元素维度的mask，tersorflow中有tf.ragged.boolean_mask实现元素维度的mask。

tf.ragged.boolean_masktf.ragged.boolean_mask( data, mask, name=None)

tensorflow中的sparse向量和sparse mask tensorflow中的sparse tensor由三部分组成，分别是indices、values、dense_shape。对于稀疏张量SparseTensor(indices=[[0, 0], [1, 2]], values=[1, 2], dense_shape=[3, 4])，转化成dense tensor的值为：

[[1, 0, 0, 0] [0, 0, 2, 0] [0, 0, 0, 0]]

使用tf.sparse.mask可以对sparse tensor执行mask操作。

tf.sparse.mask( a, mask_indices, name=None)

上文定义的sparse tensor有1和2两个值，对应的indices为[[0, 0], [1, 2]]，执行tf.sparsse.mask(a, [[1, 2]])后，稀疏向量转化成dense的值为：

[[1, 0, 0, 0] [0, 0, 0, 0] [0, 0, 0, 0]]

由于tf.sparse中的大多数函数都只在tensorflow2.0版本中有，所以没有实例演示。

padded_batch

tf.Dataset中的padded_batch函数，根据输入序列中的最大长度，自动的pad一个batch的序列。

padded_batch( batch_size, padded_shapes, padding_values=None, drop_remainder=False)

这个函数与tf.Dataset中的batch函数对应，都是基于dataset构造batch，但是batch函数需要dataset中的所有样本形状相同，而padded_batch可以将不同形状的样本在构造batch时padding成一样的形状。

elements = [[1, 2], [3, 4, 5], [6, 7], [8]] A = tf.data.Dataset.from_generator(lambda: iter(elements), tf.int32) B = A.padded_batch(2, padded_shapes=[None]) B_iter = B.make_one_shot_iterator()print B_iter.get_next().eval()

[[1 2 0] [3 4 5]]

总结

到此这篇关于深入理解Tensorflow中的masking和padding的文章就介绍到这了,更多相关Tensorflow中的masking和padding内容请搜索以前的文章或继续浏览下面的相关文章希望大家以后多多支持！