更改张量流中张量的比例

Question

抱歉，如果我搞砸了标题，我不知道该如何表达。无论如何，我有一组值的张量，但我想确保张量中的每个元素的范围都在 0 - 255 之间（或者 0 - 1 也有效）。但是，我不想像 softmax 那样让所有值加起来等于 1 或 255，我只想缩小值。

有什么办法吗？

谢谢！

Answer 1

sigmoid(tensor) * 255应该做到。

Answer 2

您正在尝试规范化数据。一个经典的归一化公式是这个：

normalize_value = (value − min_value) / (max_value − min_value)

tensorflow 上的实现如下所示：

tensor = tf.div(
   tf.subtract(
      tensor, 
      tf.reduce_min(tensor)
   ), 
   tf.subtract(
      tf.reduce_max(tensor), 
      tf.reduce_min(tensor)
   )
)

张量的所有值都将介于 0 和 1 之间。

重要：确保张量具有 float/double 值，否则输出张量将只有零和一。如果你有一个整数张量，请先调用它：

tensor = tf.to_float(tensor)

更新：从 tensorflow 2 开始，tf.to_float() 已弃用，应使用 tf.cast()：

tensor = tf.cast(tensor, dtype=tf.float32) # or any other tf.dtype, that is precise enough

Answer 3

根据维基百科中的 feature scaling，您还可以尝试按单位长度缩放：

可以用这段代码实现：

In [3]: a = tf.constant([2.0, 4.0, 6.0, 1.0, 0])                                                                                                                                                                     
In [4]: b = a / tf.norm(a)
In [5]: b.eval()
Out[5]: array([ 0.26490647,  0.52981293,  0.79471946,  0.13245323,  0.        ], dtype=float32)

Answer 4

在某些情况下，您需要分别对每个图像进行归一化 - 例如每个图像都有噪声的对抗数据集。以下假设输入具有典型大小 Batch x YDim x XDim x Channels，根据其自身的最小值和最大值对每个图像进行归一化：

    cast_input = tf.cast(inputs,dtype=tf.float32)     # e.g. MNIST is integer
    input_min = tf.reduce_min(cast_input,axis=[1,2])  # result B x C
    input_max = tf.reduce_max(cast_input,axis=[1,2])
    ex_min = tf.expand_dims(input_min,axis=1)         #  put back inner dimensions
    ex_max = tf.expand_dims(input_max,axis=1)
    ex_min = tf.expand_dims(ex_min,axis=1)            # one at a time - better way?
    ex_max = tf.expand_dims(ex_max,axis=1)            # Now Bx1x1xC
    input_range = tf.subtract(ex_max, ex_min)
    floored = tf.subtract(cast_input,ex_min)          # broadcast
    scale_input = tf.divide(floored,input_range)

我想像在 Numpy 中那样在一个短片中扩展维度，但 tf.expand_dims 似乎一次只接受一个维度 - 在此处接受建议。谢谢！

Answer 5

令输入为

X = tf.constant([[0.65,0.61, 0.59, 0.62, 0.6 ],[0.25,0.31, 0.89, 0.52, 0.6 ]])

我们可以定义一个缩放函数

def rescale(X, a=0, b=1):
  repeat = X.shape[1]
  xmin = tf.repeat(tf.reshape(tf.math.reduce_min(X, axis=1), shape=[-1,1]), repeats=repeat, axis=1)
  xmax = tf.repeat(tf.reshape(tf.math.reduce_max(X, axis=1), shape=[-1,1]), repeats=repeat, axis=1)
  X = (X - xmin) / (xmax-xmin)
  return X * (b - a) + a

这会在 [0,1]

范围内输出 X

>>rescale(X)

<tf.Tensor: shape=(2, 5), dtype=float32, numpy=
array([[1.        , 0.333334  , 0.        , 0.5000005 , 0.16666749],
       [0.        , 0.09375001, 1.        , 0.42187497, 0.54687506]],
      dtype=float32)>

在 [0, 255] 范围内缩放

>> rescale(X, 0, 255) 
<tf.Tensor: shape=(2, 5), dtype=float32, numpy=
array([[255.      ,  85.00017 ,   0.      , 127.50012 ,  42.50021 ],
       [  0.      ,  23.906252, 255.      , 107.57812 , 139.45314 ]],
      dtype=float32)>

Answer 6

如果您希望最大值是 0-1 范围的有效上限并且有一个有意义的零，那么使用这个：

import tensorflow as tf
tensor = tf.constant([0, 1, 5, 10])
tensor = tf.divide(tensor, tf.reduce_max(tensor))
tf.print(tensor)

会导致：

[0 0.1 0.5 1]

更改张量流中张量的比例

Changing the scale of a tensor in tensorflow

python

conv-neural-network

tensorflow