reduce_sum 按特定维度

Question

我有两个嵌入张量 A 和 B，看起来像

[
  [1,1,1],
  [1,1,1]
]

和

[
  [0,0,0],
  [1,1,1]
]

我想做的是按元素计算 L2 距离 d(A,B)。

首先我做了一个tf.square(tf.sub(lhs, rhs))得到

[
  [1,1,1],
  [0,0,0]
]

然后我想做一个元素明智的减少 returns

[
  3,
  0
]

但是tf.reduce_sum不允许我按行减少。任何输入将不胜感激。谢谢。

Answer 1

添加值为1的reduction_indices参数，例如：

tf.reduce_sum( tf.square( tf.sub( lhs, rhs) ), 1 )

这应该会产生您要查找的结果。 Here is the documentation 于 reduce_sum()。

Answer 2

根据 TensorFlow documentation，reduce_sum 带有四个参数的函数。

tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None).

但是 reduction_indices 已被弃用。最好使用 axis 而不是。如果未设置轴，则减小其所有尺寸。

例如，这取自documentation、

# 'x' is [[1, 1, 1]
#         [1, 1, 1]]
tf.reduce_sum(x) ==> 6
tf.reduce_sum(x, 0) ==> [2, 2, 2]
tf.reduce_sum(x, 1) ==> [3, 3]
tf.reduce_sum(x, 1, keep_dims=True) ==> [[3], [3]]
tf.reduce_sum(x, [0, 1]) ==> 6

上面的需求可以这样写，

import numpy as np
import tensorflow as tf

a = np.array([[1,7,1],[1,1,1]])
b = np.array([[0,0,0],[1,1,1]])

xtr = tf.placeholder("float", [None, 3])
xte = tf.placeholder("float", [None, 3])

pred = tf.reduce_sum(tf.square(tf.subtract(xtr, xte)),1)

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)
    nn_index = sess.run(pred, feed_dict={xtr: a, xte: b})
    print nn_index

reduce_sum 按特定维度

reduce_sum by certain dimension

tensorflow