У меня есть матрица, и я хочу читать в каждой строке матрицы и использовать tf.nn.top_k, чтобы найти верхние значения k для каждой строки.
Как мне получить каждую строку матрицы без использования циклов или понимания списка. Я хочу использовать Tensorflow или numpy, и я думал о применении широковещательной передачи.
Если бы я поместил индексы в массив, например, если бы в матрице было 10 строк, у меня было бы:
indices = [0,1,2,3......,9]
а тогда я мог применить трансляцию?
tf.nn.top_k? Принимает ли он только 1-мерный массив (это только одна строка 2-мерного массива)? Трансляция и / или индексация не решат проблему такого рода. 23.01.2018 Скажите (как в одном другом ответе здесь):
a = np.random.randint(0, 1000, (4,4))
тогда вы можете просто сделать:
np.sort(a)[:,-1:-3:-1]
где вместо индекса 3 вы помещаете число, связанное с тем, сколько основных значений вы хотите получить.
РЕДАКТИРОВАТЬ: чтобы ответить на ваш комментарий: во-первых, я меняю тип данных на float (чтобы иметь дело со значением 1/3):
a = 1000*np.random.random((4,4))
тогда я получаю индексы:
idx = a.argsort().argsort()
назначьте 1/3 двум верхним значениям:
a[idx>=2] = 1./3.
и присваиваем ноль отдыху:
a[idx<2] = 0
и вуаля.
Вы можете сделать это разными способами. В следующем способе используется argsort numpy. .
import numpy as np
a = np.random.randint(0, 1000, (4, 4))
a
возвращается
array([[712, 654, 871, 934],
[639, 587, 216, 952],
[853, 311, 598, 222],
[466, 957, 306, 359]])
Затем мы можем получить аргументы в порядке убывания и использовать их для извлечения соответствующих элементов:
o = np.argsort(a)[:, ::-1]
a[np.arange(4)[:, None], o[:, :2]]
возвращается
array([[934, 871],
[952, 639],
[853, 598],
[957, 466]])
o ... индексы x (ось-1) для исходной матрицы. 24.01.2018 Из документации tf.nn.top_k
Находит значения и индексы k самых больших записей для последнего измерения.
Итак, вы можете напрямую передать свой тензор этой функции, и она найдет k largest элементов из последнего измерения. Не нужно использовать петли.
Вот способ сделать это с помощью тензорного потока.
#+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:
argsort().argsort(), поэтому я не хочу лишать вас удовольствия. Взгляните на документацию и следуйте ей на простом одномерном примере. И извините, я не знаком с тензорным потоком. 23.01.2018