tensor

    1熱度

    2回答

    我有一個TensorFlow佔位符,其中4個維度代表一批圖像。每個圖像都是32 x 32像素,每個像素有3個顏色通道。第一個維度表示圖像的數量。 X = tf.placeholder(tf.float32, [None, 32, 32, 3]) 對於每一個形象,我願把所有的圖像的像素的L2範數。因此,輸出應該是一維的張量(即每個圖像一個值)。 tf.norm()(documentation)接受一

    0熱度

    1回答

    如何添加Eigen的SparseMatrix到Eigen的張量? 下面的代碼(不能編譯)解釋了我正在嘗試做的事情。 #include <iostream> #include <Eigen/Sparse> #include <unsupported/Eigen/CXX11/Tensor> using Eigen::Tensor; using Eigen::SparseMatrix; i

    0熱度

    1回答

    TensorFlow的張量板中的對數尺度中的y軸是否可以顯示? 我權在我的神經網絡的第一層下面的柱狀圖(分佈): 從似乎重量分佈基本上不變化,在所有的圖像。雖然是真的,但我想看到對數刻度(y軸)的變化。可能嗎?

    0熱度

    1回答

    我有3個狀態(即狀態是一個向量,在這個例子中向量長度是2),我有概率分佈(例如10%狀態1,60%狀態2,30 %狀態3)。我想推導出一個新的狀態,即概率*狀態的總和。當然,我也需要考慮批次。 1>計算概率分佈,我有一批4個和3個可能性,分佈定義如下。 dist = tf.constant([[0.1, 0.6, 0.3], [0.2, 0.4, 0.4], [0.3, 0.5, 0.2], [0

    -1熱度

    1回答

    如何修改秩1含N爲int的張量的秩2含有與字典 在python像大小爲M N個向量的張量: dict = {1 : [1,2,3] , 2 : [3,2,1]} array1 = np.array([1,1,2,1,2]) array2 = np.array([dict[x] for x in array1]) 但我不能(從while循環一邊,但我不認爲這是最佳的解決方案)遍歷一個張量

    0熱度

    2回答

    我想乘以以張量形式表達的堆疊矩陣。 tensor.shape == [2,5,7,6] 其中2和5是批次的大小, tensor2.shape == [5,6,8] 其中5是批量大小。 在numpy的,tensor2自動廣播到[2,5,7,6]張量 所以可以輕鬆地使用np.matmul(tensor,tensor2) 但在tensorflow,會出現誤差。 我試圖tf.expand_dims(t

    4熱度

    2回答

    標題說明了一切。我想將PyTorch autograd.Variable轉換爲其等效的numpy陣列。在他們的official documentation他們主張使用a.numpy()獲得等效numpy陣列(對於PyTorch tensor)。但這給了我以下錯誤: Traceback (most recent call last): File "stdin", line 1, in module

    -2熱度

    1回答

    這裏是我的錯誤產生的行: self.output = tensor.nnet.softmax(conv_out +自.b.dimshuffle('x',filter_shape [0],'x','x')) PS這裏filter_shape [0] = 3(數量kernals)

    0熱度

    1回答

    我正在嘗試使用MXNetR構建前饋神經網絡。我的輸入是一個6380行和180列的數據框。我的訓練和測試輸出是一維向量,每個元素有319個元素。 我運行模型的批量大小設置爲1,輸出層的神經元數量設置爲319.因此,對於每個批次,我預計會得到一個包含319個元素的向量。我的目標是最大限度地減少我的損失函數,這是我的預測輸出向量和實際輸出向量之間的相關性。 下面是我的代碼: # Define the i

    1熱度

    1回答

    與Tensorflow一起使用神經網絡對圖像進行分類。我有一個Tensor,其中包含形狀[N, 128, 128, 1](N個圖像128x128帶1個通道)的圖像,以及形狀[N]的Tensor,其中包含圖像的標籤。 我想把它全部洗牌並在訓練和測試張量之間進行分割(比如說80%-20%)。我沒有找到一種方法來「張貼」我的張量,將每張圖片與其標籤關聯起來(以同樣的方式將圖片和標籤進行混洗)。可能嗎 ?