在张量流中改变张量的尺度
Posted
技术标签:
【中文标题】在张量流中改变张量的尺度【英文标题】:Changing the scale of a tensor in tensorflow 【发布时间】:2016-11-17 12:07:26 【问题描述】:对不起,如果我搞砸了标题,我不知道如何表达这个。无论如何,我有一组值的张量,但我想确保张量中的每个元素的范围都在 0 到 255 之间,(或者 0 到 1 也可以)。但是,我不想像 softmax 那样让所有值加起来为 1 或 255,我只想缩小这些值。
有什么办法吗?
谢谢!
【问题讨论】:
【参考方案1】:sigmoid(tensor) * 255
应该这样做。
【讨论】:
【参考方案2】:您正在尝试规范化数据。一个经典的归一化公式是这样的:
normalize_value = (value − min_value) / (max_value − min_value)
tensorflow 上的实现如下所示:
tensor = tf.div(
tf.subtract(
tensor,
tf.reduce_min(tensor)
),
tf.subtract(
tf.reduce_max(tensor),
tf.reduce_min(tensor)
)
)
张量的所有值都在 0 和 1 之间。
重要提示:确保张量具有浮点/双精度值,否则输出张量将只有零和一。如果您有一个整数张量,请先调用它:
tensor = tf.to_float(tensor)
更新:从 tensorflow 2 开始,tf.to_float()
已弃用,而应使用 tf.cast()
:
tensor = tf.cast(tensor, dtype=tf.float32) # or any other tf.dtype, that is precise enough
【讨论】:
还要确保取小值中的最大值(即 epsilon=1e-12)和分母以避免 div 被零。(val - min_val) / max((max_val - min_val), epsilon)
当 val==max==min (val - min_val + epsilon) / max((max_val - min_val), 2*epsilon)
时,分子加上 epsilon,分母加上 2*epsilon 得到 0.5
【参考方案3】:
根据***中的feature scaling,您还可以尝试缩放到单位长度:
可以使用这段代码来实现:
In [3]: a = tf.constant([2.0, 4.0, 6.0, 1.0, 0])
In [4]: b = a / tf.norm(a)
In [5]: b.eval()
Out[5]: array([ 0.26490647, 0.52981293, 0.79471946, 0.13245323, 0. ], dtype=float32)
【讨论】:
只是补充一点,这个规范的实现被称为 L2 规范。它计算为向量平方值之和的平方根。【参考方案4】:在某些情况下,您需要分别对每个图像进行归一化 - 例如,每个图像都有噪声的对抗性数据集。假设输入具有典型大小 Batch x YDim x XDim x Channels,以下根据每个图像自己的最小值和最大值对每个图像进行归一化:
cast_input = tf.cast(inputs,dtype=tf.float32) # e.g. MNIST is integer
input_min = tf.reduce_min(cast_input,axis=[1,2]) # result B x C
input_max = tf.reduce_max(cast_input,axis=[1,2])
ex_min = tf.expand_dims(input_min,axis=1) # put back inner dimensions
ex_max = tf.expand_dims(input_max,axis=1)
ex_min = tf.expand_dims(ex_min,axis=1) # one at a time - better way?
ex_max = tf.expand_dims(ex_max,axis=1) # Now Bx1x1xC
input_range = tf.subtract(ex_max, ex_min)
floored = tf.subtract(cast_input,ex_min) # broadcast
scale_input = tf.divide(floored,input_range)
我想像在 Numpy 中一样将维度扩展为一个短的维度,但 tf.expand_dims 似乎一次只接受一个维度 - 在这里接受建议。谢谢!
【讨论】:
【参考方案5】:让输入为
X = tf.constant([[0.65,0.61, 0.59, 0.62, 0.6 ],[0.25,0.31, 0.89, 0.52, 0.6 ]])
我们可以定义一个缩放函数
def rescale(X, a=0, b=1):
repeat = X.shape[1]
xmin = tf.repeat(tf.reshape(tf.math.reduce_min(X, axis=1), shape=[-1,1]), repeats=repeat, axis=1)
xmax = tf.repeat(tf.reshape(tf.math.reduce_max(X, axis=1), shape=[-1,1]), repeats=repeat, axis=1)
X = (X - xmin) / (xmax-xmin)
return X * (b - a) + a
这会在 [0,1] 范围内输出 X
>>rescale(X)
<tf.Tensor: shape=(2, 5), dtype=float32, numpy=
array([[1. , 0.333334 , 0. , 0.5000005 , 0.16666749],
[0. , 0.09375001, 1. , 0.42187497, 0.54687506]],
dtype=float32)>
在 [0, 255] 范围内缩放
>> rescale(X, 0, 255)
<tf.Tensor: shape=(2, 5), dtype=float32, numpy=
array([[255. , 85.00017 , 0. , 127.50012 , 42.50021 ],
[ 0. , 23.906252, 255. , 107.57812 , 139.45314 ]],
dtype=float32)>
【讨论】:
【参考方案6】:如果您希望最大值是 0-1 范围的有效上限并且有一个有意义的零,那么使用这个:
import tensorflow as tf
tensor = tf.constant([0, 1, 5, 10])
tensor = tf.divide(tensor, tf.reduce_max(tensor))
tf.print(tensor)
会导致:
[0 0.1 0.5 1]
【讨论】:
以上是关于在张量流中改变张量的尺度的主要内容,如果未能解决你的问题,请参考以下文章