Question

见到这里：https://gist.github.com/narphorium/d06b7ed234287e319f18

这是可重现的代码：

import numpy as np
import tensorflow as tf

points = np.random.random_sample((10,2))
tf_points = tf.constant(points)
slice = tf.slice(tf_points,[0,0],[4,-1])

print tf.subtract(tf_points,slice).get_shape() #This errors out because the dimensions are incorrect

tf_points_expanded = tf.expand_dims(tf_points,0)
slice_expanded = tf.expand_dims(slice,1)

print tf.subtract(tf_points_expanded,slice_expanded).get_shape() #This works and prints (4,10,2)

为什么这个元素减法？这是如何工作的？

Answer 1

你在这里看到的是张量（或数组）Broadcasting的影响。

在tensorflow / numpy中，减法始终是逐个元素的。您的第一个减法不起作用，因为操作数具有形状(10,2)和(4,2)，它们不是兼容。当您扩展尺寸时，形状变得兼容。

操作数矩阵的形状可能不同，但需要兼容元素操作才能工作。

对于要兼容的形状，形状在尾部/最后一个维度对齐，然后每两个相应的尺寸必须兼容。如果符合以下条件，则两个维度兼容：

他们是平等的，或



其中一个是1（“退化”维度）

例如np.zeros((5,1,2)) - np.ones((3,1))有效，因为形状兼容：

5 1 2
  3 1
    ^ aligned at the trailing dimension

它的工作方式是，对于每个维度（从最后一个开始），该维度中较小尺寸的矩阵将沿着该维度重复以匹配另一个矩阵。在此示例中，对于最后一个维度，(3,1)矩阵需要在最后一个维度重复为(3,2)。然后，对于倒数第二个维度，需要重复(5,1,2)成为(5,3,2)。最后，(3,2)矩阵沿着新的第一维重复5次，也变为(5,3,2)。然后正常地执行元素减法。

在您的示例中，对不兼容的形状(10,2)和(4,2)进行减法会产生错误。但在将尺寸扩展到(1,10,2)和(4,1,2)后，它们会根据上述规则变得兼容：

1 10 2
4  1 2

为什么增加张量的维数可以实现逐元素减法？

1 个答案: