Question

我有一个张量列表，比如说列表长200，张量为3x3x3。我想要每个张量和所有其他张量之间的差异。结果是一个三角形矩阵，它是一个列表列表。 List [0]的长度为0，list [1]的长度为1，list [2]的长度为2，以此类推，为200。所以list [5] [2]是第六张和第三张量之间的差。

我有一个差函数

reduce_sum(abs(squared_difference(a,b)))

但是可以是任何比较。如果尚未计算答案，则将值设置为-1，并标记为根据需要进行计算。因此它是按需计算。

总体思路是找到两个3x3x3（或其他形状）矩阵，这些矩阵与我到目前为止在此CNN层上看到的所有矩阵中最相似。

我目前使用嵌套的for循环来找到最小的差异，例如：

for i in range(ly.filters):
    for k in range(i + 1, ly.filters):
        d = get_filter_diff(ly, i, k, mysession)
        if d < bdiff:
            bdiff = d
            bidxa = i
            bidxb = k

get_filter_diff是

assert idxa != idxb
# Always have idxa always greater than idxb
if idxa < idxb:
    t = idxa
    idxa = idxb
    idxb = t

diff = ly.odiff_filter_diffs[idxa][idxb]
if diff == -1.0:
    s = tf.reduce_sum(tf.squared_difference(ly.odiff_mutable_weights[idxa],
                                            ly.odiff_mutable_weights[idxb]))
    diff = s.eval(session=mysession )
    ly.odiff_filter_diffs[idxa][idxb] = diff
return diff

这非常耗时。应该可以用一小段代码就能做到这一点，以便使用GPU或多个CPU，这是最佳选择。

我也对

切成的10000张图像（nist集32x32x3）进行了此操作

ptchs = tf.extract_image_patches(img,  ksizes=[1, 3, 3, 1], strides=[1, 1, 1, 1], rates=[1, 1, 1, 1], padding='VALID')

因此，整个测试的顺序约为10000 x 900。当命中率很差时，我替换一个补丁，将所有差异设置为1，然后合并其他差异补丁和平均值。因此，我经常清空三角矩阵中的一行，以根据需要重新计算该差异行。

以某种方式，我认为在台式机上使用所有这些芯片应该很快！相反，我坚持使用串行处理模型和一个CPU。

有什么想法吗？

Tensorflow-列表中的函数的三角矩阵

0 个答案: