问题标签 [tensor]

在我学会了如何使用之后einsum，我现在正试图了解它是如何np.tensordot工作的。

但是，我有点迷茫，特别是关于参数的各种可能性axes。

为了理解它，由于我从未练习过张量演算，我使用以下示例：

在这种情况下，有什么不同的可能np.tensordot，您将如何手动计算？

嗨，我是张量流的新手。我想在 tensorflow 中实现以下 python 代码。

我view()对以下代码片段中的方法感到困惑。

我的困惑是关于以下行。

函数有什么tensor.view()作用？我在很多地方都看到过它的用法，但我不明白它是如何解释它的参数的。

如果我将负值作为view()函数的参数，会发生什么？例如，如果我打电话，会发生什么tensor_variable.view(1, 1, -1)？

谁能view()用一些例子来解释功能的主要原理？

Disclamer：我对 CNN 和深度学习一无所知，也不了解Torch。

我将SIFT用于我的对象识别应用程序。我发现这篇论文Discriminative Learning of Deep Convolutional Feature Point Descriptors特别有趣，因为它基于 CNN，比经典的图像描述方法（例如 SIFT、SURF 等）更精确，但是（引用摘要）：

在训练和测试期间使用 L2 距离，我们开发了 128-D 描述符，其欧几里德距离反映了块相似性，并且可以用作任何涉及 SIFT 的任务的替代品

哇，太棒了：这意味着我们可以继续使用任何基于 SIFT 的方法，但要使用更精确的描述符！

但是，引用github 代码存储库README：

请注意，输出将是一个 Nx128 2D 浮点张量，其中每一行都是一个描述符。

那么，什么是“2D 浮点张量”？SIFT 描述符矩阵是 Nx128 浮点数，有什么我遗漏的吗？

我一直在寻找在 PyTorch 中保存训练模型的替代方法。到目前为止，我找到了两种选择。

1. torch.save()保存模型和torch.load()加载模型。
2. model.state_dict()保存训练好的模型，model.load_state_dict()加载保存的模型。

我遇到过这个讨论，其中建议使用方法 2 而不是方法 1。

我的问题是，为什么首选第二种方法？仅仅是因为torch.nn模块具有这两个功能，我们被鼓励使用它们吗？

我正在尝试将张量 (m, n, o) 分解为矩阵 A(m, r)、B (n, r) 和 C (k, r)。这称为 PARAFAC 分解。Tensorly已经进行了这种分解。

一个重要的步骤是将 A、B 和 C 相乘以获得形状为 (m, n, o) 的张量。

张量按如下方式执行此操作：

但是，我使用的包（Autograd）不支持np.ix_操作。因此，我写了一个更简单的定义如下：

然而，事实证明，这个实现也有一些 autograd 不支持的方面。但是，autograd 确实支持np.tensordot.

我想知道如何使用np.tensordot来获得这个乘法。我认为 Tensorflowtf.tensordot也会有类似的功能。

预期的解决方案应该是这样的：

在使用度量操作（例如来自 tf.python.ops.metrics 的准确度）训练图表后，我尝试恢复图表并评估测试集的准确度。但是，在使用 tf.import_meta_graph 恢复图形后，当我尝试使用 tf.local_variables_initializer() 初始化局部变量（这是必要的）时，出现错误，它说 'Tensor' 对象没有属性 'initializer'。

如果我在恢复后打印局部变量，有两个 Tensorflow 张量可能会导致问题。这两个 tensorlow 张量源于准确度指标：

有人可以帮我弄这个吗？谢谢！

类似代码：

我有这个使用Tensorflow 框架的 python 函数：

当我运行程序时，我得到这个错误：

好像gain_vector.get_shape()[0]没有得到增益向量的向量，有什么问题？

我想在 tensorflow 的 c++ 中添加一个新的操作。我想将矩阵乘法应用于张量。我将张量转换为 Eigen::matrix 以获得产品，然后将其转换回张量。

写这样的代码很痛苦。有什么建议吗？

我在 python 2.7 中使用 Tensorflow。

我有一个像这样的二进制一维张量：

我想通过对应索引计算张量的每个元素的比率之和。

例如，我需要计算：

是否有一个Tensorflow函数可以做到这一点？