假设我有以下张量t
作为softmax函数的输出:
t = tf.constant(value=[[0.2,0.8], [0.6, 0.4]])
>> [ 0.2, 0.8]
[ 0.6, 0.4]
现在我想将此矩阵t
转换为类似于OneHot编码矩阵的矩阵:
Y.eval()
>> [ 0, 1]
[ 1, 0]
我熟悉c = tf.argmax(t)
会给我t
每行应该为1的索引。但是从c
转到Y
似乎相当困难。
我已经尝试过使用t
将tf.SparseTensor
转换为c
,然后使用tf.sparse_tensor_to_dense()
获取Y
。但是这种转换涉及相当多的步骤并且对于任务来说似乎有点过头了 - 我甚至还没有完成它,但我确信它可以工作。
有没有更合适/简单的方法来进行我失踪的转换。
我之所以需要这个,是因为我在Python中有一个自定义的OneHot编码器,我可以在其中提供Y
。 tf.one_hot()
不够广泛 - 不允许自定义编码。
相关问题:
答案 0 :(得分:6)
为什么不将tf.argmax()与tf.one_hot()结合使用。
client.rb:224: syntax error, unexpected tLABEL
... fetch_grid_ids.first, mapping: mapping, csv_options: csv_op...
... ^
client.rb:452: syntax error, unexpected keyword_end, expecting $end
答案 1 :(得分:0)
我比较了TensorFlow 2.1.0中使用输入形状(20、256、256、4)进行转换的五种方法,并比较了Quadro RTX 8000中每次转换的平均时间。
one_hot-argmax(0.802 us):
y = tf.one_hot(tf.argmax(x, axis=3), x.shape[3])
cast-reduce_max(0.719美元):
y = tf.cast(tf.equal(x, tf.reduce_max(x, axis=3, keepdims=True)),
tf.float32)
cast-tile-reduce_max(0.862 us)
y = tf.cast(tf.equal(x, tf.tile(tf.reduce_max(x, axis=3, keepdims=True),
[1, 1, 1, x.shape[3]])),
tf.float32)
where-reduce_max(1.850 us):
y = tf.where(tf.equal(x, tf.reduce_max(x, axis=3, keepdims=True)),
tf.constant(1., shape=x.shape),
tf.constant(0., shape=x.shape))
where-tile-reduce_max(1.691 us):
y = tf.where(tf.equal(x, tf.tile(tf.reduce_max(x, axis=3, keepdims=True),
[1, 1, 1, x.shape[3]])),
tf.constant(1., shape=x.shape),
tf.constant(0., shape=x.shape))
用于生成这些结果的代码如下:
import time
import tensorflow as tf
shape = (20, 256, 256, 4)
N = 1000
def one_hot():
for i in range(N):
x = tf.random.normal(shape)
x = tf.nn.softmax(tf.random.normal(shape), axis=3)
x = tf.one_hot(tf.argmax(x, axis=3), x.shape[3])
return None
def cast_reduce_max():
for i in range(N):
x = tf.random.normal(shape)
x = tf.nn.softmax(tf.random.normal(shape), axis=3)
x = tf.cast(tf.equal(x, tf.reduce_max(x, axis=3, keepdims=True)),
tf.float32)
return None
def cast_tile():
for i in range(N):
x = tf.random.normal(shape)
x = tf.nn.softmax(tf.random.normal(shape), axis=3)
x = tf.cast(tf.equal(x, tf.tile(tf.reduce_max(x, axis=3, keepdims=True), [1, 1, 1, x.shape[3]])),
tf.float32)
return None
def where_reduce_max():
for i in range(N):
x = tf.random.normal(shape)
x = tf.nn.softmax(tf.random.normal(shape), axis=3)
x = tf.where(tf.equal(x, tf.reduce_max(x, axis=3, keepdims=True)),
tf.constant(1., shape=x.shape),
tf.constant(0., shape=x.shape))
return None
def where_tile():
for i in range(N):
x = tf.random.normal(shape)
x = tf.nn.softmax(tf.random.normal(shape), axis=3)
x = tf.where(tf.equal(x, tf.tile(tf.reduce_max(x, axis=3, keepdims=True), [1, 1, 1, x.shape[3]])),
tf.constant(1., shape=x.shape),
tf.constant(0., shape=x.shape))
return None
def blank():
for i in range(N):
x = tf.random.normal(shape)
x = tf.nn.softmax(tf.random.normal(shape), axis=3)
return None
t0 = time.time()
one_hot()
print(f"one_hot:\t{time.time()-t0}")
t0 = time.time()
cast_reduce_max()
print(f"cast_reduce_max:\t{time.time()-t0}")
t0 = time.time()
cast_tile()
print(f"cast_tile:\t{time.time()-t0}")
t0 = time.time()
where_reduce_max()
print(f"where_reduce_max:\t{time.time()-t0}")
t0 = time.time()
where_tile()
print(f"where_tile:\t{time.time()-t0}")
t0 = time.time()
blank()
print(f"blank:\t{time.time()-t0}")