我有两个嵌入张量A
和B
,看起来像
[
[1,1,1],
[1,1,1]
]
和
[
[0,0,0],
[1,1,1]
]
我想要做的是逐个计算L2距离d(A,B)
。
首先我做了tf.square(tf.sub(lhs, rhs))
来获取
[
[1,1,1],
[0,0,0]
]
然后我想做一个以元素为单位的reduce返回
[
3,
0
]
但tf.reduce_sum
不允许我按行减少。任何输入将不胜感激。感谢。
答案 0 :(得分:9)
添加值为1的reduction_indices
参数,例如:
tf.reduce_sum( tf.square( tf.sub( lhs, rhs) ), 1 )
这应该产生你正在寻找的结果。 reduce_sum()
上的Here is the documentation。
答案 1 :(得分:5)
根据TensorFlow documentation,reduce_sum
函数,它有四个参数。
tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None).
但reduction_indices
已被弃用。最好用轴代替。如果未设置轴,则减小其所有尺寸。
例如,这取自documentation,
# '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
以上要求可以这种方式编写,
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