从张量流中的张量中检索值的最快方法是什么？答案

【问题标题】：What's the fastest way to retrieve a value from a tensor in tensorflow?从张量流中的张量中检索值的最快方法是什么？
【发布时间】：2020-03-18 07:34:15
【问题描述】：

我现在要做的是从 1 X 1 大小的张量中获取一个值，我有将近 6000 个。

到目前为止，我已经尝试过使用 eval()、session()。我能想到的最好的方法是将张量更改为 numpy 以从中获取价值。但问题是它非常慢，尤其是在处理大量数据时。有没有什么快速的方法可以从张量中检索数据？

仅供参考，这是我尝试实现的代码部分。

cross_IF = []
count = 0
for i in range(len(test_IF)):
  if (count % 100 == 0):
    print(count)
  count += 1
  c = keras.losses.categorical_crossentropy(test_IF[i], prediction_IF[i])
  element = keras.backend.eval(tf.reduce_sum(c))
  cross_IF.append(element)

cross_IF 是我将用于堆叠来自张量“tf.reduce_sum(c)”的值的列表。 test_IF 和 prediction_IF 是测试值和预测值。

【问题讨论】：

test_IF[i] / prediction_IF[i] 的形状是什么？您可能应该连接列表中的所有张量（如果您首先不能将列表作为张量）并同时为所有这些张量计算categorical_crossentropy。如果需要，您可以稍后再次将生成的 NumPy 数组转换为列表。
我实际上在我的代码中解决了这个问题。他们每个人都是（253, 24）和（69,24），我有几千个。问题是使用 categorical_crossentropy 会导致张量，而不是 numpy。所以我尝试将交叉熵转换为 numpy 格式，然后将其附加到 numpy 列表中。但相反，将数据的所有交叉熵连接为张量形式，然后在最后将其转换为 numpy 使其更快。我想这是一个可怕的错误完成的顺序。

标签： python numpy tensorflow tensor

【解决方案1】：

在回答部分提供解决方案以造福社区。p>

问题是使用categorical_crossentropy 导致tensor，而不是numpy。

将 categorical_crossentropy 转换为 numpy 格式，然后将其附加到 numpy 列表中需要更多时间。

相反，将所有cross entropies 数据连接为tensor 形式，然后在结束将其转换为numpy 使其更快。

【讨论】：