Question

如何将np.add.at语句转换为tensorflow？

np.add.at(dW, self.x.ravel(), dout.reshape(-1, self.D))

修改

self.dW.shape是（V，D），self.D.shape是（N，D），self.x.size是N

Answer 1

对于np.add.at，您可能希望查看tf.SparseTensor，它通过值列表和索引列表（更适合稀疏数据，因此名称）表示张量。

所以对你的例子来说：

np.add.at(dW, self.x.ravel(), dout.reshape(-1, self.D))

（假设dW，x和dout是张量）：

tf.sparse_add(dW, tf.SparseTensor(x, tf.reshape(dout, [-1])))

这假设x的形状为[n, nDims]（即x是n个索引的“列表”，每个维度为nDims}和{{1} }具有形状dout。

Answer 2

以下是np.add.at所做的一个示例：

In [324]: a=np.ones((10,))
In [325]: x=np.array([1,2,3,1,4,5])
In [326]: b=np.array([1,1,1,1,1,1])
In [327]: np.add.at(a,x,b)
In [328]: a
Out[328]: array([ 1.,  3.,  2.,  2.,  2.,  2.,  1.,  1.,  1.,  1.])

如果我使用+=

In [331]: a1=np.ones((10,))
In [332]: a1[x]+=b
In [333]: a1
Out[333]: array([ 1.,  2.,  2.,  2.,  2.,  2.,  1.,  1.,  1.,  1.])

请注意a1[1]为2，而非3。

如果我使用迭代解决方案

In [334]: a2=np.ones((10,))
In [335]: for i,j in zip(x,b):
     ...:     a2[i]+=j
     ...:     
In [336]: a2
Out[336]: array([ 1.,  3.,  2.,  2.,  2.,  2.,  1.,  1.,  1.,  1.])

匹配。

如果x没有重复，那么+=就可以了。但是对于重复项，需要add.at来匹配迭代解决方案。

等价于tensorflow中的np.add.at

2 个答案: