reduce_sum durch bestimmte dimension

Habe ich zwei Einbettungen tensor A und B, die aussieht wie

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

und

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

was ich will zu tun ist, berechnen Sie die L2-Distanz d(A,B) element-Weise.

Zuerst habe ich eine tf.square(tf.sub(lhs, rhs)) zu bekommen

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

und dann will ich ein element-Weise zu reduzieren, die gibt

[
  3,
  0
]

aber tf.reduce_sum nicht zulassen, dass mein zu reduzieren, die durch Zeile. Alle Beiträge werden geschätzt. Danke.

InformationsquelleAutor bxshi | 2016-02-28

  1. 9

    Fügen Sie die reduction_indices argument mit einem Wert von 1, wie zB.:

    tf.reduce_sum( tf.square( tf.sub( lhs, rhs) ), 1 )

    Sollte produzieren das Resultat, das Sie suchen. Hier ist die Dokumentation auf reduce_sum().

    InformationsquelleAutor Todd Knarr

  2. 5

    Laut TensorFlow Dokumentation, reduce_sum Funktion nimmt vier Argumente.

    tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None).

    Aber reduction_indices ist veraltet. Besser-Achse statt. Wenn die Achse nicht gesetzt ist, reduziert die Abmessungen.

    Als Beispiel,dies wird von dem Dokumentation, 

    # 'x' is [[1, 1, 1]
#         [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
tf.reduce_sum(x, [0, 1]) ==> 6

    Genannten Anforderungen geschrieben werden können, auf diese Weise,

    import numpy as np
import tensorflow as tf

a = np.array([[1,7,1],[1,1,1]])
b = np.array([[0,0,0],[1,1,1]])

xtr = tf.placeholder("float", [None, 3])
xte = tf.placeholder("float", [None, 3])

pred = tf.reduce_sum(tf.square(tf.subtract(xtr, xte)),1)

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)
    nn_index = sess.run(pred, feed_dict={xtr: a, xte: b})
    print nn_index

    InformationsquelleAutor GPrathap

Schreibe einen Kommentar