TensorFlow进阶二（高阶操作）

⚠申明：未经许可，禁止以任何形式转载，若要引用，请标注链接地址。全文共计3077字，阅读大概需要3分钟
🌈更多学习内容，欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿
个人网站：https://jerry-jy.co/

TensorFlow进阶二（高阶操作）

TensorFlow进阶二
- 一、任务需求
- 二、任务目标
- - - - 1、掌握张量的填充与复制
      - 2、掌握张量的数据限幅
      - 3、掌握张量的高阶操作
- 三、任务环境
- - - - 1、jupyter开发环境
      - 2、python3.6
      - 3、tensorflow2.4
- 四、任务实施过程
- - - （四）、高阶操作
- 五、任务小结

TensorFlow进阶二

一、任务需求

对于图片数据的高和宽、序列信号的长度，维度长度可能各不相同。为了方便网络的并行计算，需要将不同长度的数据扩张为相同长度，之前我们介绍了通过复制的方式可以增加数据的长度，但是重复复制数据会破坏原有的数据结构，并不适合于此处。通常的做法是，在需要补充长度的数据开始或结束处填充足够数量的特定数值，这些特定数值一般代表了无效意义，例如 0，使得填充后的长度满足系统要求。那么这种操作就叫作填充(Padding)。本节将要完成张量的填充与复制，数据限幅以及tf.gather、tf.gather_nd、tf.boolean_mark、tf.where、scatter_nd、meshgrid等函数的操作。

二、任务目标

1、掌握张量的填充与复制

2、掌握张量的数据限幅

3、掌握张量的高阶操作

三、任务环境

1、jupyter开发环境

2、python3.6

3、tensorflow2.4

四、任务实施过程

（四）、高阶操作

17、通过 tf.gather_nd 函数，可以通过指定每次采样点的多维坐标来实现采样多个点的目的。回到上面的挑战，我们希望抽查第 2 个班级的第 2 个同学的所有科目，第 3 个班级的第 3 个同学的所有科目，第 4 个班级的第 4 个同学的所有科目。那么这 3 个采样点的索引坐标可以记为：[1,1]、[2,2]、[3,3]，我们将这个采样方案合并为一个 List 参数，即
[[1,1],[2,2],[3,3]]，通过 tf.gather_nd 函数即可

tf.gather_nd(x,[[1,1],[2,2],[3,3]])

在这里插入图片描述

可以看到，结果与串行采样方式的完全一致，实现更加简洁，计算效率大大提升

18、使用 tf.gather_nd 采样多个样本时，例如希望采样𝑖号班级，𝑗个学生，𝑘门科目的成绩，则可以表达为[. . . ,[𝑖,𝑗, 𝑘], . . .]，外层的括号长度为采样样本的个数，内层列表包含了每个采样点的索引坐标，如要抽取班级1的学生1的科目、班级2的学生2的科目、班级3的学生3的科目的成绩

tf.gather_nd(x,[[1,1,2],[2,2,3],[3,3,4]])

<tf.Tensor: shape=(3,), dtype=int32, numpy=array([73, 4, 99], dtype=int32)>

19、除了可以通过给定索引号的方式采样，还可以通过给定掩码(Mask)的方式进行采样。继续以 shape 为[4,35,8]的成绩册张量为例，这次我们以掩码方式进行数据提取。
考虑在班级维度上进行采样，对这 4 个班级的采样方案的掩码为mask = [True, False, False, True]即采样第 1 和第 4 个班级的数据，通过 tf.boolean_mask(x, mask, axis)可以在 axis 轴上根据
mask 方案进行采样

根据掩码方式采样班级，给出掩码和维度索引
tf.boolean_mask(x,mask=[True, False,False,True],axis=0)

注意掩码的长度必须与对应维度的长度一致，如在班级维度上采样，则必须对这 4 个班级是否采样的掩码全部指定，掩码长度为 4

20、如果对 8 门科目进行掩码采样，设掩码采样方案为mask = [True, False, False, True, True, False, False, True]，即采样第 1、4、5、8 门科目

# 根据掩码方式采样科目
tf.boolean_mask(x,mask=[True,False,False,True,True,False,False,True],axis=2)

<tf.Tensor: shape=(4, 35, 4), dtype=int32, numpy=
array([[[54, 15, 81, 19],
        [23, 62,  0, 32],
        [45, 98,  6, 72],
        [18, 99, 76, 51],
        [81, 20, 64, 32],
        [ 5, 43, 30, 80],
        [81, 82, 64, 85],
        [10, 63, 55, 97],
        [68, 86, 35, 60],
        [80, 52, 71, 97],
        [99, 35, 20, 56],
        [27, 94,  0, 44],
        [34, 53, 43, 31],
        [35, 46, 66, 71],
        [17, 77, 81, 65],
        [ 8, 60, 94, 53],
        [66, 60, 31, 51],
        [26, 57, 71, 31],
        [53, 42, 65, 46],
        [25, 31,  2, 75],
        [60, 40, 24, 68],
        [49, 97,  2, 96],
        [76, 68, 45,  7],
        [87, 18, 95, 67],
...
        [70,  7, 64, 15],
        [29, 72, 30, 63],
        [34, 26, 75,  4],
        [83, 22, 68, 99],
        [64, 37, 64, 23]]], dtype=int32)>
Output is truncated. View as a scrollable element or open in a text editor. Adjust cell output settings...

21、通过 tf.where(cond, a, b)操作可以根据 cond 条件的真假从参数𝑨或𝑩中读取数据。当对应位置的cond𝑖为 True，𝑜𝑖从𝑎𝑖中复制数据；当对应位置的cond𝑖为 False，𝑜𝑖从𝑏𝑖中复制数据。考虑从 2 个全 1 和全 0 的
3 × 3大小的张量𝑨和𝑩中提取数据，其中cond𝑖为 True 的位置从𝑨中对应位置提取元素 1，cond𝑖为 False 的位置从𝑩对应位置提取元素 0

a = tf.ones([3,3]) # 构造 a 为全 1 矩阵
b = tf.zeros([3,3]) # 构造 b 为全 0 矩阵
# 构造采样条件
cond =tf.constant([[True,False,False],[False,True,False],[True,True,False]])
tf.where(cond,a,b)  #根据条件从a,b中采样

在这里插入图片描述

可以看到，返回的张量中为 1 的位置全部来自张量 a，返回的张量中为 0 的位置来自张量b。

22、当参数 a=b=None 时，即 a 和 b 参数不指定，tf.where 会返回 cond 张量中所有 True 的元素的索引坐标

cond # 构造的 cond 张量

<tf.Tensor: shape=(3, 3), dtype=bool, numpy=
array([[ True, False, False],
[False, True, False],
[ True, True, False]])>

其中 True 共出现 4 次，每个 True 元素位置处的索引分别为[0,0]、[1,1]、[2,0]、[2,1]，可以直接通过 tf.where(cond)形式来获得这些元素的索引坐标

tf.where(cond) # 获取 cond 中为 True 的元素索引

<tf.Tensor: shape=(4, 2), dtype=int64, numpy=
array([[0, 0],
[1, 1],
[2, 0],
[2, 1]])>

23、我们需要提取张量中所有正数的数据和索引。首先构造张量 a，并通过比较运算得到所有正数的位置掩码

x = tf.random.normal([3,3]) # 构造 a
x

> <tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[ 1.3181536 ,  0.7503586 ,  1.3323568 ],
       [-0.2842348 , -0.11278582,  1.5982385 ],
       [ 1.1395993 , -0.6405513 ,  0.36168438]], dtype=float32)>

24、通过比较运算，得到所有正数的掩码

mask=x>0 # 比较操作，等同于 tf.math.greater()
mask

<tf.Tensor: shape=(4, 28, 28, 1), dtype=bool, numpy=
array([[[[False],
         [False],
         [ True],
         ...,
         [ True],
         [ True],
         [ True]],

        [[ True],
         [ True],
         [ True],
         ...,
         [ True],
         [False],
         [False]],

        [[False],
         [False],
         [ True],
         ...,
         [False],
         [False],
         [False]],
...
         [ True],
         ...,
         [ True],
         [ True],
         [False]]]])>
Output is truncated. View as a scrollable element or open in a text editor. Adjust cell output settings...

25、通过 tf.where 提取此掩码处 True 元素的索引坐标

indices=tf.where(mask) # 提取所有大于 0 的元素索引
indices

<tf.Tensor: shape=(1597, 4), dtype=int64, numpy=
array([[ 0,  0,  2,  0],
       [ 0,  0,  3,  0],
       [ 0,  0,  4,  0],
       ...,
       [ 3, 27, 22,  0],
       [ 3, 27, 25,  0],
       [ 3, 27, 26,  0]])>

26、拿到索引后，通过 tf.gather_nd 即可恢复出所有正数的元素

tf.gather_nd(x,indices) # 提取正数的元素值

<tf.Tensor: shape=(3,), dtype=float32, numpy=array([1.9939046 , 0.2653219 , 0.12416901], dtype=float32)>

27、通过 tf.scatter_nd(indices, updates, shape)函数可以高效地刷新张量的部分数据，但是这个函数只能在全0的白板张量上面执行刷新操作。
我们将实现一个向量的刷新实例如下

# 构造需要刷新数据的位置参数，即为 4、3、1 和 7 号位置
indices = tf.constant([[4], [3], [1], [7]])
# 构造需要写入的数据，4 号位写入 4.4,3 号位写入 3.3，以此类推
updates = tf.constant([4.4, 3.3, 1.1, 7.7])
# 在长度为 8 的全 0 向量上根据 indices 写入 updates 数据
tf.scatter_nd(indices, updates, [8])

在这里插入图片描述

可以看到，在长度为 8 的白板上，写入了对应位置的数据，4 个位置的数据被刷新

28、考虑 3 维张量的刷新例子，白板张量的 shape 为[4,4,4]，共有 4 个通道的特征图，每个通道大小为4 × 4，现有 2 个通道的新数据 updates:[2,4,4]，需要写入索
引为[1,3]的通道上

# 构造写入位置，即 2 个位置
indices = tf.constant([[1],[3]])
updates = tf.constant([# 构造写入数据，即 2 个矩阵
 [[5,5,5,5],[6,6,6,6],[7,7,7,7],[8,8,8,8]],
 [[1,1,1,1],[2,2,2,2],[3,3,3,3],[4,4,4,4]]
])
# 在 shape 为[4,4,4]白板上根据 indices 写入 updates
tf.scatter_nd(indices,updates,[4,4,4])

在这里插入图片描述

可以看到，数据被刷新到第 2 和第 4 个通道特征图上。

29、通过 tf.meshgrid 函数可以方便地生成二维网格的采样点坐标。通过在 x 轴上进行采样 100 个数据点，y 轴上采样 100 个数据点，然后利用
tf.meshgrid(x, y)即可返回这 10000 个数据点的张量数据，保存在 shape 为[100,100,2]的张量中。为了方便计算，tf.meshgrid 会返回在 axis=2 维度切割后的 2 个张量𝑨和𝑩，其中张量𝑨包含了所有点的 x 坐标，𝑩包含了所有点的 y 坐标，shape 都为[100,100]

x = tf.linspace(-8.,8,100) # 设置 x 轴的采样点
y = tf.linspace(-8.,8,100) # 设置 y 轴的采样点
x,y = tf.meshgrid(x,y) # 生成网格点，并内部拆分后返回
x.shape,y.shape # 打印拆分后的所有点的 x,y 坐标张量 shape

在这里插入图片描述

30、利用生成的网格点坐标张量𝑨和𝑩，Sinc 函数在 TensorFlow 中实现如下

z = tf.sqrt(x**2+y**2)
z = tf.sin(z)/z # sinc 函数实现

31、通过 matplotlib 库即可绘制出函数在𝑥 ∈ [−8,8],𝑦 ∈ [−8,8]区间的 3D 曲面

import matplotlib
from matplotlib import pyplot as plt
# 导入 3D 坐标轴支持
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig) # 设置 3D 坐标轴
# 根据网格点绘制 sinc 函数 3D 曲面
ax.contour3D(x.numpy(), y.numpy(), z.numpy(), 50)
plt.show()

在这里插入图片描述

五、任务小结

本节我们完成了填充、复制，tf.tile()函数实现长度为 1 的维度复制的功能。tf.tile 函数除了可以对长度为 1 的维度进行复制若干份，还可以对任意长度的维度进行复制若干份，进行复制时会根据原来的数据次序重复复制。紧接着介绍了数据的下限幅、上下边界限幅。最后展示了高阶操作如tf.gather、tf.gather_nd、tf.boolean_mask、tf.where等一系列操作。通过本节任务需要掌握以下知识：