Tensorflow 中是否有与 numpy 随机选择等效的函数。 在 numpy 中，我们可以从给定列表中随机获取一个项目及其权重。
np.random.choice([1,2,3,5], 1, p=[0.1, 0, 0.3, 0.6, 0])
此代码将从给定列表中选择具有 p 个权重的项目。
【问题讨论】：
标签： python numpy tensorflow deep-learning
不，但您可以使用tf.multinomial 获得相同的结果：
elems = tf.convert_to_tensor([1,2,3,5])
samples = tf.multinomial(tf.log([[1, 0, 0.3, 0.6]]), 1) # note log-prob
elems[tf.cast(samples[0][0], tf.int32)].eval()
Out: 1
elems[tf.cast(samples[0][0], tf.int32)].eval()
Out: 5
[0][0] 部分在这里，因为multinomial 期望批次的每个元素都有一行未标准化的对数概率，并且样本数量还有另一个维度。
【讨论】：
tf.multinomial(tf.ones_like(dynamic_tensor), num_samples=1).
如果您希望从 n 维张量中随机抽样行，而不是从 1 维张量中抽样随机元素，则可以组合 tf.multinomial 和 tf.gather。
def _random_choice(inputs, n_samples):
"""
With replacement.
Params:
inputs (Tensor): Shape [n_states, n_features]
n_samples (int): The number of random samples to take.
Returns:
sampled_inputs (Tensor): Shape [n_samples, n_features]
"""
# (1, n_states) since multinomial requires 2D logits.
uniform_log_prob = tf.expand_dims(tf.zeros(tf.shape(inputs)[0]), 0)
ind = tf.multinomial(uniform_log_prob, n_samples)
ind = tf.squeeze(ind, 0, name="random_choice_ind") # (n_samples,)
return tf.gather(inputs, ind, name="random_choice")
【讨论】：
在 tf.你可以直接使用 np.random.choice(data, p=probs) 来做，tf 可以接受。
【讨论】：
我和我的团队在将所有操作保留为 tensorflow 操作并实施“无替换”版本的要求方面遇到了同样的问题。
解决方案：
def tf_random_choice_no_replacement_v1(one_dim_input, num_indices_to_drop=3):
input_length = tf.shape(one_dim_input)[0]
# create uniform distribution over the sequence
# for tf.__version__<1.11 use tf.random_uniform - no underscore in function name
uniform_distribution = tf.random.uniform(
shape=[input_length],
minval=0,
maxval=None,
dtype=tf.float32,
seed=None,
name=None
)
# grab the indices of the greatest num_words_to_drop values from the distibution
_, indices_to_keep = tf.nn.top_k(uniform_distribution, input_length - num_indices_to_drop)
sorted_indices_to_keep = tf.contrib.framework.sort(indices_to_keep)
# gather indices from the input array using the filtered actual array
result = tf.gather(one_dim_input, sorted_indices_to_keep)
return result
此代码背后的想法是生成一个随机均匀分布，其维度等于您要执行选择的向量的维度。由于分布将产生一系列唯一且能够排名的数字，因此您可以获取前 k 个位置的索引，并将其用作您的选择。由于top k的位置会和均匀分布一样随机，所以相当于进行了不放回的随机选择。
这可以对tensorflow中的任何一维序列进行选择操作。
【讨论】：
聚会很晚，但我会添加另一个解决方案，因为现有的tf.multinomial 方法会占用大量临时内存，因此不能用于大量输入。这是我使用的方法（对于 TF 2.0）：
# Sampling k members of 1D tensor a using weights w
cum_dist = tf.math.cumsum(w)
cum_dist /= cum_dist[-1] # to account for floating point errors
unif_samp = tf.random.uniform((k,), 0, 1)
idxs = tf.searchsorted(cum_dist, unif_samp)
samp = tf.gather(a, idxs) # samp contains the k weighted samples
【讨论】：
在 tensorflow 2.0 中，tf.compat.v1.multinomial 已弃用，而是使用 tf.random.categorical
【讨论】：
N = np.random.choice([0,1,2,3,4], 5000, p=[i/sum(range(1,6)) for i in range(1,6)])
plt.hist(N, density=True, bins=5)
plt.grid()
T = tf.random.categorical(tf.math.log([[i/sum(range(1,6)) for i in range(1,6)]]), 5000)
# T = tf.random.categorical([[i/sum(range(1,6)) for i in range(1,6)]], 1000)
plt.hist(T, density=True, bins=5)
plt.grid()
def random_choice(a, size):
"""Random choice from 'a' based on size without duplicates
Args:
a: Tensor
size: int or shape as tuple of ints e.g., (m, n, k).
Returns: Tensor of the shape specified with 'size' arg.
Examples:
X = tf.constant([[1,2,3],[4,5,6]])
random_choice(X, (2,1,2)).numpy()
-----
[
[
[5 4]
],
[
[1 2]
]
]
"""
if isinstance(size, int) or np.issubdtype(type(a), np.integer) or (tf.is_tensor(a) and a.shape == () and a.dtype.is_integer):
shape = (size,)
elif isinstance(size, tuple) and len(size) > 0:
shape = size
else:
raise AssertionError(f"Unexpected size arg {size}")
sample_size = tf.math.reduce_prod(size, axis=None)
assert sample_size > 0
# --------------------------------------------------------------------------------
# Select elements from a flat array
# --------------------------------------------------------------------------------
a = tf.reshape(a, (-1))
length = tf.size(a)
assert sample_size <= length
# --------------------------------------------------------------------------------
# Shuffle a sequential numbers (0, ..., length-1) and take size.
# To select 'sample_size' elements from a 1D array of shape (length,),
# TF Indices needs to have the shape (sample_size,1) where each index
# has shape (1,),
# --------------------------------------------------------------------------------
indices = tf.reshape(
tensor=tf.random.shuffle(tf.range(0, length, dtype=tf.int32))[:sample_size],
shape=(-1, 1) # Convert to the shape:(sample_size,1)
)
return tf.reshape(tensor=tf.gather_nd(a, indices), shape=shape)
X = tf.constant([[1,2,3],[4,5,6]])
print(random_choice(X, (2,2,1)).numpy())
---
[[[5]
[4]]
[[2]
[1]]]
【讨论】：
派对也很晚了，我找到了最简单的解决方案。
#sample source matrix
M = tf.constant(np.arange(4*5).reshape(4,5))
N_samples = 2
tf.gather(M, tf.cast(tf.random.uniform([N_samples])*M.shape[0], tf.int32), axis=0)
【讨论】：