在张量流中改变张量的尺度答案

【问题标题】：Changing the scale of a tensor in tensorflow在张量流中改变张量的尺度
【发布时间】：2016-11-17 12:07:26
【问题描述】：

对不起，如果我搞砸了标题，我不知道如何表达这个。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 到 255 之间，（或者 0 到 1 也可以）。但是，我不想像 softmax 那样让所有值加起来为 1 或 255，我只想缩小这些值。

有什么办法吗？

谢谢！

【问题讨论】：

标签： python tensorflow conv-neural-network

【解决方案1】：

sigmoid(tensor) * 255 应该这样做。

【讨论】：

【解决方案2】：

您正在尝试规范化数据。一个经典的归一化公式是这样的：

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)
   )
)

张量的所有值都在 0 和 1 之间。

重要提示：确保张量具有浮点/双精度值，否则输出张量将只有零和一。如果您有一个整数张量，请先调用它：

tensor = tf.to_float(tensor)

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

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

【讨论】：

还要确保取小值中的最大值（即 epsilon=1e-12）和分母以避免 div 被零。 (val - min_val) / max((max_val - min_val), epsilon)
当 val==max==min (val - min_val + epsilon) / max((max_val - min_val), 2*epsilon) 时，分子加上 epsilon，分母加上 2*epsilon 得到 0.5

【解决方案3】：

根据维基百科中的feature scaling，您还可以尝试缩放到单位长度：

可以使用这段代码来实现：

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)

【讨论】：

只是补充一点，这个规范的实现被称为 L2 规范。它计算为向量平方值之和的平方根。

【解决方案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性数据集。假设输入具有典型大小 Batch x YDim x XDim x Channels，以下根据每个图像自己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 中一样将维度扩展为一个短的维度，但 tf.expand_dims 似乎一次只接受一个维度 - 在这里接受建议。谢谢！

【讨论】：

【解决方案5】：

让输入为

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)>

【讨论】：

【解决方案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]

【讨论】：