Question

我有一个TensorFlow占位符，其中4个维度代表一批图像。每个图像为32 x 32像素，每个像素具有3个颜色通道。第一个维度表示图像的数量。

X = tf.placeholder(tf.float32, [None, 32, 32, 3])

对于每张图片，我想采用所有图像像素的L2范数。因此，输出应该是具有一维的张量（即每个图像一个值）。 tf.norm()（documentation）接受一个轴参数，但它只允许我指定最多两个轴作为标准，当我想在轴1,2上采用标准时， 3.我该怎么做？

n = tf.norm(X, ord=2, axis=0)          # n.get_shape() is (?, ?, 3), not (?)
n = tf.norm(X, ord=2, axis=[1,2,3])    # ValueError

Answer 1

您不需要在另一个答案中建议的扁平化。如果您仔细阅读live on ideone，您会看到：

轴：如果axis为None（默认值），则输入被视为矢量并且在整个值集合中计算单个向量范数张量，即范数（张量，ord = ord）等价于规范（重塑（张量，[ - 1]），ord = ord）

示例：

$target_dir = "articles/article-images/";
$target_new_name = "imag_xpto.jpg";
//your code...
$target = $target_dir.$target_new_name;
if (move_uploaded_file($_FILES["fileToUpload"]["tmp_name"], $target_file)){
//Your code...

Answer 2

我尝试了萨尔瓦多的答案，但看起来它会为整个小批量返回一个数字而不是每个图像一个数字。所以看起来我们可能会坚持每个维度做标准。

{{1}}

这可能会引入少量的数值不稳定性，但理论上它与同时采用整个图像的范数相同。

您可能还会考虑仅在x和y轴上采用标准，以便每个通道获得一个标准。有一个原因可以解释为什么这种情况得到了张量流的支持，而事实并非如此。

Answer 3

您可以像这样自己计算L2-范数：

tf.sqrt(tf.reduce_sum(tf.pow(images,2), axis=(1,2,3)))

TensorFlow：在多维度上采用L2范数

3 个答案: