Question

import tensorflow.kera.backend as K

之后

tf.multiply和*有什么区别？

类似地，K.pow(x, -1)和1/x有什么区别？

我根据其他代码编写了以下自定义指标函数的代码。

def dice_coef_weight_sub(y_true, y_pred):
    """
    Returns the product of dice coefficient for each class
    """
    y_true_f = (Lambda(lambda y_true: y_true[:, :, :, :, 0:])(y_true))
    y_pred_f = (Lambda(lambda y_pred: y_pred[:, :, :, :, 0:])(y_pred))

    product = tf.multiply([y_true_f, y_pred_f]) # multiply should be import from tf or tf.math

    red_y_true = K.sum(y_true_f, axis=[0, 1, 2, 3]) # shape [None, nb_class]
    red_y_pred = K.sum(y_pred_f, axis=[0, 1, 2, 3])
    red_product = K.sum(product, axis=[0, 1, 2, 3])

    smooth = 0.001
    dices = (2. * red_product + smooth) / (red_y_true + red_y_pred + smooth)

    ratio = red_y_true / (K.sum(red_y_true) + smooth)
    ratio = 1.0 - ratio
    # ratio =  K.pow(ratio + smooth, -1.0) # different method to get ratio

    return K.sum(multiply([dices, ratio]))

在代码中，我可以将tf.multiply替换为*吗？我可以将K.pow(x,-1)替换为1/x吗？

（从tensorflow的文档中，我知道tf.pow和K.pow之间的区别：tf.pow(x,y)接收2个张量来计算x和{{ 1}}，而y接收张量K.pow(x,a)和整数x来计算x ^ a，但我不知道为什么上面的代码a接收浮点数1.0，仍然可以正常使用）

Answer 1

假设*的两个操作数都是tf.Tensor而不是tf.sparse.SparseTensor，则*运算符与tf.multiply相同，即按元素广播支持。

如果您有兴趣研究执行运算符重载的源代码，则关键部分包括：

对于tf.sparse.SparseTensor s，*的稀疏特定于张量的乘法运算会过载。

假设您使用的是Python3，/运算符将重载到tf.math.truediv（即浮点除法，它对应于TensorFlow的RealDiv op）。

在Python2中，/运算符可能正在执行整数除法，在这种情况下，它会以与dtype相关的方式重载。对于浮动dtype，它是tf.math.truediv，对于整数dtype，它是tf.math.floordiv（整数下限）。

tf.pow()使用其他运算符（即Pow）运算符。但是，假设您所有的dtypes是浮点数，则1 / x和tf.pow(x, -1.0)应该等效。

tf.multiply和*之间有什么区别？

1 个答案: