时间:2021-05-22
先给出一个样例看看
import tensorflow as tfraw = tf.constant([1, 2, 3, 4, 5, 6, 6, 5, 4, 3, 2, 1])'''拆成 [1,2] [3,4] [5,6] [6,5] [4,3] [2,1]'''result_1 = tf.dynamic_partition(tf.reshape(raw, [6,2]),[0, 1, 2, 3, 4, 5], 6)'''拆成 [1, 2, 3, 4, 5, 6] [6, 5, 4, 3, 2, 1] '''result_2 = tf.dynamic_partition(tf.reshape(raw, [2, 6]), [0, 1], 2)'''拆成 [1] [2] [3] [4] [5] [6] [6] [5] [4] [3] [2] [1]'''result_3 = tf.dynamic_partition(tf.reshape(raw, [12, 1]), [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], 12)with tf.Session() as sess: print(sess.run(result_1)) print(sess.run(result_2)) print(sess.run(result_3))结果
[array([[1, 2]]), array([[3, 4]]), array([[5, 6]]), array([[6, 5]]), array([[4, 3]]), array([[2, 1]])][array([[1, 2, 3, 4, 5, 6]]), array([[6, 5, 4, 3, 2, 1]])][array([[1]]), array([[2]]), array([[3]]), array([[4]]), array([[5]]), array([[6]]), array([[6]]), array([[5]]), array([[4]]), array([[3]]), array([[2]]), array([[1]])]再给出一个样例
Py3代码:
# one-hot 函数的样例import tensorflow as tflabel = tf.placeholder(tf.int32,[None])# 直接把 输入的序列进行One-Hot的结果one_hot = tf.one_hot(label, 3, 1, 0)# 进行转置one_hot_new = tf.transpose(one_hot, perm=[1,0])one_hot_new = tf.cast(one_hot_new, tf.float32)# one_hot_new[2] = one_hot_new[2] * 1.5# 按照每一维的大小进行拆分one_hot_new_1 = tf.dynamic_partition(one_hot_new, [0, 1, 1], 2)[0]one_hot_new_2 = tf.dynamic_partition(one_hot_new, [1, 0, 1], 2)[0]one_hot_new_3 = tf.dynamic_partition(one_hot_new, [1, 1, 0], 2)[0]# 按照每一维大小进行拆分one_hot_1 = tf.dynamic_partition(one_hot_new, [0, 1, 2], 3)[0]one_hot_2 = tf.dynamic_partition(one_hot_new, [0, 1, 2], 3)[1]one_hot_3 = tf.dynamic_partition(one_hot_new, [0, 1, 2], 3)[2]# one_hot_new_3 = tf.dynamic_partition(one_hot_new, [0, 0, 1], 2)[2]# 拼接以上两维得到原来的结果one_hot_new = tf.concat([one_hot_new_1, one_hot_new_2], axis=0)if __name__ == '__main__': with tf.Session() as sess: sess.run(tf.global_variables_initializer()) one_hot_out, one_hot_new_out, one_hot_new_1_out, one_hot_new_2_out, one_hot_new_3_out, one_hot_1_out, one_hot_2_out, one_hot_3_out = sess.run([one_hot, one_hot_new, one_hot_new_1, one_hot_new_2, one_hot_new_3, one_hot_1, one_hot_2, one_hot_3], feed_dict={label: [0, 1, 1, 2, 2, 0, 0, 1, 2, 2, 0, 2]}) print("原始的One-hot结果:") print(one_hot_out, end='\n\n') print("以上的结果.T:") print("方法一拆分:") print(one_hot_new_out, end='\n\n') print("拆分(1)维:") print(one_hot_new_1_out, end='\n\n') print("拆分 (2)维:") print(one_hot_new_2_out, end='\n\n') print("拆分 (3)维:") print(one_hot_new_3_out, end='\n\n') print("方法二拆分:") print("拆分(1)维:") print(one_hot_1_out, end='\n\n') print("拆分 (2)维:") print(one_hot_2_out, end='\n\n') print("拆分 (3)维:") print(one_hot_3_out, end='\n\n')控制台输出:
原始的One-hot结果: [[1 0 0] [0 1 0] [0 1 0] [0 0 1] [0 0 1] [1 0 0] [1 0 0] [0 1 0] [0 0 1] [0 0 1] [1 0 0] [0 0 1]]以上的结果.T: 方法一拆分: [[ 1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 1. 0.] [ 0. 1. 1. 0. 0. 0. 0. 1. 0. 0. 0. 0.]]拆分(1)维: [[ 1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 1. 0.]]拆分 (2)维: [[ 0. 1. 1. 0. 0. 0. 0. 1. 0. 0. 0. 0.]]拆分 (3)维: [[ 0. 0. 0. 1. 1. 0. 0. 0. 1. 1. 0. 1.]]方法二拆分: 拆分(1)维: [[ 1. 0. 0. 0. 0. 1. 1. 0. 0. 0. 1. 0.]]拆分 (2)维: [[ 0. 1. 1. 0. 0. 0. 0. 1. 0. 0. 0. 0.]]拆分 (3)维: [[ 0. 0. 0. 1. 1. 0. 0. 0. 1. 1. 0. 1.]]以上这篇Tensorflow tf.dynamic_partition矩阵拆分示例(Python3) 就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
近期做个小项目需要用到python读取图片,自己整理了一下两种读取图片的方式,其中一种用到了TensorFlow,(TensorFlow是基于python3的)
有时需要读取jpg图像的长和宽,tensorflow提供了很好的支持直接上示例decode_jpeg_data=tf.placeholder(dtype=tf.
TensorFlow2.1.0正式发布了,TensorFlow2.1是支持Python2的最后一个TF版本。 主要特性和改进如下: tensorflow
tf.nn.bidirectional_dynamic_rnn()函数:defbidirectional_dynamic_rnn(cell_fw,#前向RNNc
一、urllib和urllib2的关系在python2中,主要使用urllib和urllib2,而python3对urllib和urllib2进行了重构,拆分成