Question

将x定义为：

>>> import tensorflow as tf
>>> x = tf.constant([1, 2, 3])

为什么正常的张量乘法在广播中能正常工作？

>>> tf.constant([[1, 2, 3], [4, 5, 6]]) * tf.expand_dims(x, axis=0)
<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[ 1,  4,  9],
      [ 4, 10, 18]], dtype=int32)>

这个张量参差不齐的人不会吗？

>>> tf.ragged.constant([[1, 2, 3], [4, 5, 6]]) * tf.expand_dims(x, axis=0)
*** tensorflow.python.framework.errors_impl.InvalidArgumentError: Expected 'tf.Tensor(False, shape=(), dtype=bool)' to be true. Summarized data: b'Unable to broadcast: dimension size mismatch in dimension'
1
b'lengths='
3
b'dim_size='
3, 3

如何获取一维张量以通过二维参差不齐的张量广播？（我正在使用TensorFlow 2.1。）

Answer 1

如果将ragged_rank=0添加到锯齿张量中，该问题将得到解决，如下所示：

tf.ragged.constant([[1, 2, 3], [4, 5, 6]], ragged_rank=0) * tf.expand_dims(x, axis=0)

完整的工作代码是：

%tensorflow_version 2.x

import tensorflow as tf
x = tf.constant([1, 2, 3])

print(tf.ragged.constant([[1, 2, 3], [4, 5, 6]], ragged_rank=0) * tf.expand_dims(x, axis=0))

以上代码的输出为：

tf.Tensor(
[[ 1  4  9]
 [ 4 10 18]], shape=(2, 3), dtype=int32)

再修正一次。

根据广播的定义Broadcasting is the process of **making** tensors with different shapes have compatible shapes for elementwise operations，无需明确指定tf.expand_dims，Tensorflow会照顾好它。

因此，以下代码可以正常工作并很好地演示了Broadcasting的属性：

%tensorflow_version 2.x

import tensorflow as tf
x = tf.constant([1, 2, 3])

print(tf.ragged.constant([[1, 2, 3], [4, 5, 6]], ragged_rank=0) * x)

以上代码的输出为：

tf.Tensor(
[[ 1  4  9]
 [ 4 10 18]], shape=(2, 3), dtype=int32)

有关更多信息，请参阅this link。

希望这会有所帮助。学习愉快！

参差不齐的张量广播

1 个答案: