如何为4d张量中的k个最大元素创建一个单张量张量?

时间:2019-04-13 12:12:50

标签: python tensorflow deep-learning

给出形状的张量,可以说(2,3,3,1),其中批大小为2,每个矩阵的形状为(3,3,1)。如何从每个矩阵中找到k个最大元素,并创建一个单矩阵矩阵,以使在这k个位置处的条目分别为1和0。 示例:(请注意,为简化起见,每个条目都是浮点数)

data.pageNumber

k = 3的单热张量:

input_tensor=[[[1, 5, 7],
      [2, 8, 1],
      [3, 9, 1],
     ],
     [[0, 9, 5],
      [6, 0, 4],
      [3, 0, 8]
     ]
    ]

tf.nn.top_k将仅从最后一个维度返回k个最大元素。如何从3d张量ex((3,3,1))获得k个最大元素。 同样,tf.one_hot将在每行中为指定的深度和给定的索引放置一个,这不是这种情况。

3 个答案:

答案 0 :(得分:0)

考虑您的示例,它的形状实际上是2,3,3

output = tf.one_hot(tf.math.argmax(inp, 2), 3)

因此,首先我们获取所需轴上最大条目的索引,在这种情况下为2。然后应用所需深度3的一次热编码

答案 1 :(得分:0)

import numpy as np
import tensorflow as tf

inputs=np.array([[[1, 5, 7],
      [2, 8, 1],
      [3, 9, 1],
     ],
     [[0, 9, 5],
      [6, 0, 4],
      [3, 0, 8]
     ]
    ])

j = tf.placeholder(tf.int32)
input_tensor = tf.placeholder(tf.float64, shape=(2,3,3))    
_, inds = tf.nn.top_k(input_tensor, 3)    
r = tf.reshape(inds[:,:,3-j], [-1])
encoded_tensor = tf.reshape(tf.one_hot(r, 3),tf.shape(input_tensor))

with tf.Session() as sess:
    for k in [1,2,3]:
        print ("K:",k)
        print (sess.run(encoded_tensor , feed_dict={j: k, input_tensor: inputs}))  

输出:

K: 1
[[[1. 0. 0.]
  [0. 0. 1.]
  [0. 0. 1.]]

 [[1. 0. 0.]
  [0. 1. 0.]
  [0. 1. 0.]]]
K: 2
[[[0. 1. 0.]
  [1. 0. 0.]
  [1. 0. 0.]]

 [[0. 0. 1.]
  [0. 0. 1.]
  [1. 0. 0.]]]
K: 3
[[[0. 0. 1.]
  [0. 1. 0.]
  [0. 1. 0.]]

 [[0. 1. 0.]
  [1. 0. 0.]
  [0. 0. 1.]]]
  • 使用top_k来获取顺序中的所有索引
  • 根据k的值选择所需的索引
  • 展开并创建第3级的一次性编码(因为矩阵中的列为3)
  • 重塑为input_tensor的形状。

答案 2 :(得分:0)

如果要从每个矩阵中找到k个最大的元素,则可以使用以下方法。

import tensorflow as tf

input_tensor = tf.constant([[[1, 5, 7],[2, 8, 1],[3, 9, 1]],
                            [[0, 9, 5],[6, 0, 4],[3, 0, 8]]],dtype=tf.int32)

k_tf = tf.placeholder(shape=(),dtype=tf.int32)

temp = tf.reshape(input_tensor,shape=(input_tensor.shape[0],-1))
# [[1 5 7 2 8 1 3 9 1]
#  [0 9 5 6 0 4 3 0 8]]
result = tf.reduce_sum(tf.one_hot(indices=tf.nn.top_k(temp,k=k_tf)[1], depth=temp.shape[1]), axis=1)
# [[0. 0. 1. 0. 1. 0. 0. 1. 0.]
#  [0. 1. 0. 1. 0. 0. 0. 0. 1.]]
result = tf.reshape(result,input_tensor.shape)

with tf.Session() as sess:
    print('k=2:')
    print(sess.run(result, feed_dict={k_tf: 2}))
    print('k=3:')
    print(sess.run(result,feed_dict={k_tf:3}))

k=2:
[[[0. 0. 0.]
  [0. 1. 0.]
  [0. 1. 0.]]

 [[0. 1. 0.]
  [0. 0. 0.]
  [0. 0. 1.]]]
k=3:
[[[0. 0. 1.]
  [0. 1. 0.]
  [0. 1. 0.]]

 [[0. 1. 0.]
  [1. 0. 0.]
  [0. 0. 1.]]]