如何在不使用 numpy 或 tensorflow 中的任何循环的情况下获取矩阵行？答案

【问题标题】：How to get rows of matrix without using any loops in numpy or tensorflow?如何在不使用 numpy 或 tensorflow 中的任何循环的情况下获取矩阵行？
【发布时间】：2018-07-01 19:33:19
【问题描述】：

我有一个矩阵，我想读取矩阵的每一行并使用 tf.nn.top_k 查找每一行的前 k 个值。

如何在不使用循环或列表理解的情况下获取矩阵的每一行。我想使用 Tensorflow 或 numpy，我正在考虑应用广播。

如果我将索引放在一个数组中，例如，如果矩阵中有 10 行，我会：

indices = [0,1,2,3......,9]

然后我可以申请广播？

【问题讨论】：

告诉我们tf.nn.top_k？它是否只接受一维数组（即只有一行二维数组）？广播和/或索引不会解决这类问题。
什么是输入输出示例？

标签： python numpy tensorflow machine-learning array-broadcasting

【解决方案1】：

您可以通过多种不同的方式执行此操作。以下方式使用numpy的argsort。

import numpy as np

a = np.random.randint(0, 1000, (4, 4))
a

array([[712, 654, 871, 934],
       [639, 587, 216, 952],
       [853, 311, 598, 222],
       [466, 957, 306, 359]])

然后我们可以得到参数的降序并使用它们来提取相应的元素：

o = np.argsort(a)[:, ::-1]
a[np.arange(4)[:, None], o[:, :2]]

array([[934, 871],
       [952, 639],
       [853, 598],
       [957, 466]])

【讨论】：

我可以使用这个返回的矩阵来索引我的原始矩阵（即广播？）
这就是变量 o 的含义...原始矩阵的 x 索引（轴 1）。

【解决方案2】：

来自tf.nn.top_k的文档

查找最后 k 个最大条目的值和索引维度。

所以，你可以直接将你的张量传递给这个函数，它会从最后一个维度找到k largest 元素。无需使用循环。

【讨论】：

是的，当我传入一个矩阵时，它会找到每行中最大的 k。但是，一旦我发现这些 k 最大，我想做的是将它们替换为 1/k，并将行中的其余元素替换为零。如果它返回一个矩阵，我该怎么做？

【解决方案3】：

说（就像这里的另一个答案一样）：

a = np.random.randint(0, 1000, (4,4))

那么你可以简单地做：

np.sort(a)[:,-1:-3:-1]

您在哪里而不是 3 索引中放置一个与您想要获得多少最高值相关的数字。

编辑：为了解决您的评论：首先，我改成float数据类型（处理1/3的值）：

a = 1000*np.random.random((4,4))

然后我得到索引：

idx = a.argsort().argsort()

将 1/3 分配给前两个值：

a[idx>=2] = 1./3.

并将零分配给休息：

a[idx<2] = 0

等等。

【讨论】：

获得最高值后，如何将它们更改为等于 1/3 并将其余值设置为 0？
谢谢，这绝对有帮助。是否还有办法使用 tf.nn.top_k 或其他 tensorflow 函数来完成，因为我正在尝试了解有关 tensorflow 的更多信息
a.argsort().argsort() 还有什么作用？为什么要应用两次？
关注argsort().argsort() 所做的事情非常有趣且具有教育意义，因此我不想剥夺您的乐趣。查看文档并按照一个简单的一维示例进行操作。抱歉，我不熟悉 tensorflow。

【解决方案4】：

这是执行此操作的 TensorFlow 方式。

#+BEGIN_SRC python :results output org drawer
import numpy as np
import tensorflow as tf

mat = np.random.randint(0, 1000, (4, 4))
print(mat)

# All tensorflow from here
tmat = tf.convert_to_tensor(mat)

k = 3

# ki are the indices within each row
kv, ki = tf.nn.top_k(tmat, k)
kmin = tf.reduce_min(kv, axis=1)[:, None]

newmat = tf.where(tmat < kmin, tf.zeros_like(tmat, dtype=tf.float64), tf.ones_like(tmat) / k)

with tf.Session() as sess:
    print(newmat.eval())
#+END_SRC

#+RESULTS:
:RESULTS:
[[ 97 805   0 104]
 [920 340 905  24]
 [439 243 705 161]
 [146 650 542 284]]
[[0.33333333 0.33333333 0.         0.33333333]
 [0.33333333 0.33333333 0.33333333 0.        ]
 [0.33333333 0.33333333 0.33333333 0.        ]
 [0.         0.33333333 0.33333333 0.33333333]]
:END:

【讨论】：