【问题标题】：Tensorflow: Regarding tensorflow functionsTensorflow：关于 tensorflow 函数
【发布时间】：2017-01-22 16:59:04
【问题描述】：

我是张量流的新手。我有以下问题：

输入：浮点数列表（或动态数组。在python中列表是要使用的数据类型）输出：是一个大小为len(input)×len(input)的二维数组

示例1：

输入：

[1.0, 2.0, 3.0]

输出：

[[0.09003057, 0.24472847, 0.66524096], 
 [0.26894142, 0.73105858, 0.0       ], 
 [1.0,        0.0,        0.0       ]]

我尝试使用 while 循环创建函数并独立计算每一行并将它们连接起来，但我的导师要求我探索其他方法。

你能建议我如何解决这个问题吗？

【问题讨论】：

你能给我们看看带有while循环的代码吗？
你想对输入做什么？

标签： python tensorflow

【解决方案1】：

您可以通过以下方法实现此目的：

重复输入数组以创建一个平铺输入数据的方阵
创建一个由左上角组成的蒙版
使用掩码执行 softmax。请注意，我们不能在这里使用tf.nn.softmax，因为它也会给这些零提供很小的概率

这是执行此操作的 TensorFlow (v0.12.1) 代码：

def create_softmax(x):
    x_len = int(x.get_shape()[0])

    # create a tiled array
    # [1, 2, 3] 
    # =>
    # [[1,2,3], [1,2,3], [1,2,3]]
    x_tiled = tf.tile(tf.expand_dims(x, 0), [x_len, 1])

    # get the mask to do element-wise multiplication
    mask = tf.ones_like(x_tiled) # returns an array of the same size filled with 1
    mask = tf.matrix_band_part(mask, 0, -1) # zeros everythings except from the upper triangular part 
    mask = tf.reverse(mask, [False, True]) # reverses the y dimension

    # compute masked softmax
    exp = tf.exp(x_tiled) * mask
    sum_exp = tf.reshape(tf.reduce_sum(exp, reduction_indices=1), (-1, 1))

    x_softmax = exp / sum_exp

    return x_softmax

【讨论】：

【解决方案2】：

这对你的课程来说可能有点晚了，但希望它会对某人有所帮助。

如果您的目标是简单地输出一个len(input)xlen(input) 数组，您可以在将其维度扩展到len(input)x1 后，将一个1xlen(input) 张量与您的输入数组矩阵相乘：

input_ = tf.placeholder(tf.float32, [len(input)])
input_shape = input_.get_shape().as_list()
tfvar = tf.Variable(tf.random_normal([1,input_shape[0]], mean=0.0,
                                    stddev=.01, dtype=tf.float32))

def function(input_):
    x = tf.expand_dims(input_, axis=1) # dims = len(input)x1
    return tf.matmul(x,tfvar) # mtrx multiplication produces 3x3 mtrx

这个函数应该泛化到任何一维input_张量并产生一个正方形len(input_)xlen(input_)张量。

如果您的目标是训练 tensorflow 变量以准确生成所提供的输出，那么您可以使用损失函数和优化器训练 tfvar：

desired_output = tf.constant([[0.09003057, 0.24472847, 0.66524096], 
                              [0.26894142, 0.73105858, 0.0       ], 
                              [1.0,        0.0,        0.0       ]],
                              dtype=tf.float32)

actual_output = function(input_)
loss = tf.reduce_mean(tf.square(actual_output-desired_output))
optimizer = tf.train.AdamOptimizer().minimize(loss)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    cost, opt = sess.run([loss, optimizer], feed_dict={input_:input})

请注意，如果您想要更稳健的训练课程，请添加偏差、非线性和更多层。

【讨论】：

太晚了，我7月份毕业了。 :D