关键词：
看谷歌的demo mnist，卷积后加偏执量的代码
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)
其中的x_image的维数是[-1, 28, 28, 1]，W_conv1的维数是[5, 5, 1, 32], b的维数是[32]
conv2d对x_image和W_conv1进行卷积，结果为[-1， 28， 28， 32]，结果就是：
[-1， 28， 28， 32]和[32]的加法。
完全搞不清为什么[-1， 28， 28， 32]和[32]两个完全不同维数可以做加法？而且加出的结果还是[-1， 28， 28， 32]？
于是做了下面的测试：
sess = tf.InteractiveSession() test1 = tf.ones([1,2,2,3],tf.float32) b1 = tf.ones([3]) re1 = test1 + b1 print("shap3={},eval=\n{}".format(b1.shape, b1.eval())) print("shap4={},eval=\n{}".format(test1.shape, test1.eval())) print("shap5={},eval=\n{}".format(re1.shape, re1.eval())) test1 = tf.ones([1,2,2,3],tf.float32) b1 = tf.ones([1,1,1,1]) re1 = test1 + b1 print("shap6={},eval=\n{}".format(b1.shape, b1.eval())) print("shap7={},eval=\n{}".format(test1.shape, test1.eval())) print("shap8={},eval=\n{}".format(re1.shape, re1.eval())) test1 = tf.ones([1,2,2,3],tf.float32) b1 = tf.ones([1,1,1,3]) re1 = test1 + b1 print("shap9 ={},eval=\n{}".format(b1.shape, b1.eval())) print("shap10={},eval=\n{}".format(test1.shape, test1.eval())) print("shap11={},eval=\n{}".format(re1.shape, re1.eval())) test1 = tf.ones([1,2,2,3],tf.float32) b1 = tf.ones([1]) re1 = test1 + b1 print("shap12={},eval=\n{}".format(b1.shape, b1.eval())) print("shap13={},eval=\n{}".format(test1.shape, test1.eval())) print("shap14={},eval=\n{}".format(re1.shape, re1.eval()))
test1 = tf.ones([1,2,2,3],tf.float32)
alist = [[[[ 1, 1, 1.],
[ 0, 0, 0.]],
[[ 1, 1, 1.],
[ 0, 0, 0.]]]]
b1 = tf.constant(alist)
re1 = test1 + b1
print("shap15={},eval=\n{}".format(b1.shape, b1.eval()))
print("shap16={},eval=\n{}".format(test1.shape, test1.eval()))
print("shap17={},eval=\n{}".format(re1.shape, re1.eval()))
结果为
shap3=(3,),eval= [ 1. 1. 1.] shap4=(1, 2, 2, 3),eval= [[[[ 1. 1. 1.] [ 1. 1. 1.]] [[ 1. 1. 1.] [ 1. 1. 1.]]]] shap5=(1, 2, 2, 3),eval= [[[[ 2. 2. 2.] [ 2. 2. 2.]] [[ 2. 2. 2.] [ 2. 2. 2.]]]] shap6=(1, 1, 1, 1),eval= [[[[ 1.]]]] shap7=(1, 2, 2, 3),eval= [[[[ 1. 1. 1.] [ 1. 1. 1.]] [[ 1. 1. 1.] [ 1. 1. 1.]]]] shap8=(1, 2, 2, 3),eval= [[[[ 2. 2. 2.] [ 2. 2. 2.]] [[ 2. 2. 2.] [ 2. 2. 2.]]]] shap9 =(1, 1, 1, 3),eval= [[[[ 1. 1. 1.]]]] shap10=(1, 2, 2, 3),eval= [[[[ 1. 1. 1.] [ 1. 1. 1.]] [[ 1. 1. 1.] [ 1. 1. 1.]]]] shap11=(1, 2, 2, 3),eval= [[[[ 2. 2. 2.] [ 2. 2. 2.]] [[ 2. 2. 2.] [ 2. 2. 2.]]]] shap12=(1,),eval= [ 1.] shap13=(1, 2, 2, 3),eval= [[[[ 1. 1. 1.] [ 1. 1. 1.]] [[ 1. 1. 1.] [ 1. 1. 1.]]]] shap14=(1, 2, 2, 3),eval= [[[[ 2. 2. 2.] [ 2. 2. 2.]] [[ 2. 2. 2.] [ 2. 2. 2.]]]]
shap15=(1, 2, 2, 3),eval=
[[[[ 1. 1. 1.]
[ 0. 0. 0.]]
[[ 1. 1. 1.]
[ 0. 0. 0.]]]]
shap16=(1, 2, 2, 3),eval=
[[[[ 1. 1. 1.]
[ 1. 1. 1.]]
[[ 1. 1. 1.]
[ 1. 1. 1.]]]]
shap17=(1, 2, 2, 3),eval=
[[[[ 2. 2. 2.]
[ 1. 1. 1.]]
[[ 2. 2. 2.]
[ 1. 1. 1.]]]]
这个结果说明了什么呢？说明张量加法时，维数不等时会自动扩充，用存在的数字填充。
比如下面这个[4, 3, 2, 3]的矩阵A，
我们把A加上[1, 2, 3]结果为
[[[[1 2 3]
[2 3 4]]
[[3 4 5]
[4 5 6]]
[[5 6 7]
[6 7 8]]]
[[[1 2 3]
[2 3 4]]
[[3 4 5]
[4 5 6]]
[[5 6 7]
[6 7 8]]]
[[[1 2 3]
[2 3 4]]
[[3 4 5]
[4 5 6]]
[[5 6 7]
[6 7 8]]]
[[[1 2 3]
[2 3 4]]
[[3 4 5]
[4 5 6]]
[[5 6 7]
[6 7 8]]]]
搞不懂的算法-排序篇
最近在学习算法，跟着<Algorithms>这本书，可能是自己水平不够吧，看完排序算法后各种，希尔，归并，快排，堆的实现在脑子里乱成一锅粥，所以就打算大概总结一下，不求精确，全面，只想用平白的语言来理一理，如... 查看详情
那些年搞不懂的术语概念：协变逆变不变体
简述什么是协变性、逆变性、不变性协变性，如：string->object（子类到父类的转换）逆变性，如：object->string（父类到子类的转换）不变性，基于上面两种情况，不可变。具体下面再做分析。泛型委托的可变性先使用框架定... 查看详情
那些年搞不懂的术语概念：协变逆变不变体
简述什么是协变性、逆变性、不变性协变性，如：string->object（子类到父类的转换）逆变性，如：object->string（父类到子类的转换）不变性，基于上面两种情况，不可变。具体下面再做分析。泛型委托的可变性先使用框架定... 查看详情
tf.unstack()tf.stack()
...s://tensorflow.google.cn/api_docs/python/tf/unstack解释：这是一个对矩阵进行分解的函数，以下为关键参数解释：value：代表需要分解的矩阵变量（其实就是一个多维数组，一般为二维）；axis：指明对矩阵的哪个维度进行分解。要理解tf.uns... 查看详情
tf.unstack f.unstack
...s://tensorflow.google.cn/api_docs/python/tf/unstack解释：这是一个对矩阵进行分解的函数，以下为关键参数解释：value：代表需要分解的矩阵变量（其实就是一个多维数组，一般为二维）；axis：指明对矩阵的哪个维度进行分解。要理解tf.uns... 查看详情
那些年搞不懂的"协变"和"逆变"
博主之前也不是很清楚协变与逆变,今天在书上看到了有关于协变还是逆变的介绍感觉还是不太懂,后来看了一篇园子里面一位朋友的文章,顿时茅塞顿开。本文里面会有自己的一些见解也会引用博友的一些正文,希望通过本篇,... 查看详情
tensorflow常用函数说明
1.矩阵操作1.1矩阵生成这部分主要将如何生成矩阵，包括全０矩阵，全１矩阵，随机数矩阵，常数矩阵等sess=tf.InteractiveSession()#x=tf.ones([2,3],tf.int32)x=tf.zeros([2,3],tf.int32)print(sess.run(x))新建一个与给定的tensor类型大小一致的tensor，使... 查看详情
那些年搞不懂的多线程同步异步及阻塞和非阻塞---多线程简介
1、进程和线程的概念进程：运行中的应用程序称为进程，拥有系统资源（cpu、内存）线程：进程中的一段代码，一个进程中可以有多段代码。本身不拥有资源（共享所在进程的资源）；在java中，程序入口被自动创建为主线程，... 查看详情
Python tf-idf：更新 tf-idf 矩阵的快速方法
】Pythontf-idf：更新tf-idf矩阵的快速方法【英文标题】：Pythontf-idf:fastwaytoupdatethetf-idfmatrix【发布时间】：2017-07-0122:22:45【问题描述】：我有一个几千行文本的数据集，我的目标是计算tfidf分数，然后计算文档之间的余弦相似度，这... 查看详情
如何使 TF-IDF 矩阵密集？
】如何使TF-IDF矩阵密集？【英文标题】：HowtomakeTF-IDFmatrixdense?【发布时间】：2016-05-0815:47:50【问题描述】：我正在使用TfidfVectorizer将原始文档集合转换为TF-IDF特征矩阵，然后我计划将其输入到k-means算法（我将实现）。在该算法... 查看详情
增加 TF IDF 矩阵项的权重
】增加TFIDF矩阵项的权重【英文标题】：IncreasingweightsofTFIDFmatrixterms【发布时间】：2017-08-1412:44:46【问题描述】：我有用于文档的tfidf矩阵。我有一些术语我想在TFIDF矩阵中加倍权重。说我有矩阵weightTerms并且我有以下代码fromsklearn... 查看详情
将 tf-idf 值添加为矩阵中的列
】将tf-idf值添加为矩阵中的列【英文标题】：Addtf-idfvaluesascolumnsinamatrix【发布时间】：2018-12-0118:23:16【问题描述】：fromsklearn.feature_extraction.textimportTfidfVectorizeritem=list(df[\'item1\'])+list(df[\'item2\'])tfidf=TfidfVectorizer()tfidf_sp 查看详情
tensorflow-矩阵乘法(代码片段)
#!/usr/bin/envpython3#-*-coding:utf-8-*-"""CreatedonWedDec1218:18:062018@author:myhaspl"""importtensorflowastfw1=tf.Variable(tf.random_normal([2,5],mean=1.0,stddev=1.0))w2=tf.Variable(tf.random_normal 查看详情
tensorflow
...才出现值。这也符合变量的性质把 tf.cinstant创建标量矩阵tf有一套矩阵运算操作，， #Session:用来进行执行操作sess=tf.Session()res=sess.run(某个操作)sess.close() #Varaible:tf里面所有变量要被定义成tf.Va 查看详情
深度学习之tensorflow框架（上）(代码片段)
...on[‘TF_CPP_MIN_LOG_LEVEL‘]=‘2‘4deftensorflow_demo():56#原生python加法运算7a=2;8b=3;9c=a+b;10print("普通加法运算的结果:",c);11#tensorflow实现加法运算12a_t=tf.constant(2)13b_t=tf.constant(3)14c_t=a_t+b_t15print("tensorflow的加法运算结果:",c_t)16#开启会话17withtf... 查看详情
tf.linalg.eigh在gpu上非常慢-正常吗？(代码片段)
....eigh()。这个想法非常简单：我创建-比方说-87.0004x4Hermitian矩阵，并希望得到它们的特征值和特征向量。为此，我有一个形状[87.000,4,4]的占位符matrix，我喂入tf.linalg.eigh(matrix)。我运行会话并将这些矩阵作为输入（矩阵具有数据类... 查看详情
K- 表示为 tf-idf 矩阵定义初始中心
】K-表示为tf-idf矩阵定义初始中心【英文标题】：K-meansdefiningInitialCentersfortf-idfmatrix【发布时间】：2017-05-1914:33:31【问题描述】：我正在使用k-means对文章进行聚类，它运行良好。现在我想定义初始中心以获得更合理的结果。我的P... 查看详情
tf常用函数28原则
四则运算：tf.add(x,y,name)tf.subtract(x,y,name)tf.multiply(x,y,name)tf.divide(x,y,name)tf.square(x,name)#平方tf.pow(x,y,name)#x的y次方tf.sqrt(x,name) #平方根tf.exp(x,name) #e的x次方 矩阵：tf.matmul(a,b)相当 查看详情