我的最终目标是训练一个四维多元高斯分布参数化的均值和协方差
在哪里
而且
目前我有以下代码:
import tensorflow as tf
import numpy as np
value = [[1,2.0,3,4,5],[0,2,4,6,8],[80,7,6,5,4]]
value=tf.constant(value)
cov= tf.slice(value,[0,int(value.shape[1])-1],[int(value.shape[0]),1])
mean= tf.slice(value,[0,0],[int(value.shape[0]),int(value.shape[1])-1])
eyes=tf.eye(int(mean.shape[1]),batch_shape=[int(value.shape[0])])
#eyes = tf.multiply(eyes,cov)
normal = tf.contrib.distributions.MultivariateNormalFullCovariance(
loc=mean,
covariance_matrix=eyes)
value = [[1,2.0,3,4,5],[0,2,4,6,8],[80,7,6,5,4]]
是其余代码可能接收到的内容的示例。你知道吗
在上面的例子中
cov = <tf.Tensor 'Slice_2:0' shape=(3, 1) dtype=float32>
eyes = <tf.Tensor 'eye_1/MatrixDiag:0' shape=(3, 4, 4) dtype=float32>
cov = [[5.] [8.] [4.]]`
eyes = [[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]
[[1. 0. 0. 0.]
[0. 1. 0. 0.]
[0. 0. 1. 0.]
[0. 0. 0. 1.]]]`
我的问题是,给定cov
和eyes
,我如何获得result
?结果如下:
result = [[[5., 0., 0., 0.],
[0., 5., 0., 0.],
[0., 0., 5., 0.],
[0., 0., 0., 5.]],
[[8., 0., 0., 0.],
[0., 8., 0., 0.],
[0., 0., 8., 0.],
[0., 0., 0., 8.]],
[[4., 0., 0., 0.],
[0., 4., 0., 0.],
[0., 0., 4., 0.],
[0., 0., 0., 4.]]]
提前谢谢。你知道吗
Tensorflow使用与numpy相同的索引类型,这可能非常强大。你知道吗
您可以在这里查看详细信息:https://docs.scipy.org/doc/numpy-1.13.0/user/basics.broadcasting.html注意,
np.newaxis
的定义与None
相同。你知道吗对于您的问题,您可以向数据中添加额外的维度,以确保数组的乘法方式没有歧义。你知道吗
在这里使用
None
增加了一个额外的维度,使cov
成为一个3x1x1x1数组,它可以与3x4x4数组明确相乘。在tensorflow中也可以这样使用None
。你知道吗如果两个数组的每个对应维度的大小相同,或者其中一个数组的大小为1,那么两个数组可以毫不含糊地相乘。你知道吗
相关问题 更多 >
编程相关推荐