卷积块的数组切片

发布于 2025-01-14 11:57:16 字数 696 浏览 0 评论 0原文

我对数组切片符号感到困惑。

def hypernetwork(self, inputs):
    x = self.fc(inputs)

    return x[..., :self.channels], x[..., self.channels:]

回报是什么？ ..., 是什么意思？ self.channels 定义为输入的通道数。我认为 x 只是输入特征块。下面是self.fc和self.channels的相关代码

def build(self, input_shape):
    self.channels = input_shape[0][-1]  # input_shape: [x, z].

    self.fc = KL.Dense(
        int(2 * self.channels),
        kernel_initializer=self.init,
        kernel_regularizer=tf.keras.regularizers.l2(
            l=self.wt_decay,
        ),
        bias_regularizer=tf.keras.regularizers.l2(
            l=self.wt_decay,
        ),
    )

原文

I get confused by a array slicing notation.

def hypernetwork(self, inputs):
    x = self.fc(inputs)

    return x[..., :self.channels], x[..., self.channels:]

what is the return? what does ..., mean? The self.channels is defined as the number of channels of the input. I think x is just the input feature block. Below is the relevant code for self.fc and self.channels

def build(self, input_shape):
    self.channels = input_shape[0][-1]  # input_shape: [x, z].

    self.fc = KL.Dense(
        int(2 * self.channels),
        kernel_initializer=self.init,
        kernel_regularizer=tf.keras.regularizers.l2(
            l=self.wt_decay,
        ),
        bias_regularizer=tf.keras.regularizers.l2(
            l=self.wt_decay,
        ),
    )

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

み青杉依旧 2025-01-21 11:57:16

使用 ... 时，您指的是除最后一个维度（您正在切片）之外的所有维度。它等价于其他表示法x[:, :, :channels]：

import tensorflow as tf
tf.random.set_seed(111)
channels = 2
x = tf.random.normal((1, 2, 3))
print(x)
print(x[..., :channels], x[:, :, :channels]) # Equivalent
print(x[..., channels:], x[:, :, channels:]) # Equivalent

tf.Tensor(
[[[ 0.7558127   1.5447265   1.6315602 ]
  [-0.19868968  0.08828261  0.01711658]]], shape=(1, 2, 3), dtype=float32)
tf.Tensor(
[[[ 0.7558127   1.5447265 ]
  [-0.19868968  0.08828261]]], shape=(1, 2, 2), dtype=float32) tf.Tensor(
[[[ 0.7558127   1.5447265 ]
  [-0.19868968  0.08828261]]], shape=(1, 2, 2), dtype=float32)
tf.Tensor(
[[[1.6315602 ]
  [0.01711658]]], shape=(1, 2, 1), dtype=float32) tf.Tensor(
[[[1.6315602 ]
  [0.01711658]]], shape=(1, 2, 1), dtype=float32)

You are referring to all the dimensions except the last one (which you are slicing) when using .... It is equivalent to the other notation x[:, :, :channels]:

import tensorflow as tf
tf.random.set_seed(111)
channels = 2
x = tf.random.normal((1, 2, 3))
print(x)
print(x[..., :channels], x[:, :, :channels]) # Equivalent
print(x[..., channels:], x[:, :, channels:]) # Equivalent

tf.Tensor(
[[[ 0.7558127   1.5447265   1.6315602 ]
  [-0.19868968  0.08828261  0.01711658]]], shape=(1, 2, 3), dtype=float32)
tf.Tensor(
[[[ 0.7558127   1.5447265 ]
  [-0.19868968  0.08828261]]], shape=(1, 2, 2), dtype=float32) tf.Tensor(
[[[ 0.7558127   1.5447265 ]
  [-0.19868968  0.08828261]]], shape=(1, 2, 2), dtype=float32)
tf.Tensor(
[[[1.6315602 ]
  [0.01711658]]], shape=(1, 2, 1), dtype=float32) tf.Tensor(
[[[1.6315602 ]
  [0.01711658]]], shape=(1, 2, 1), dtype=float32)

回复收藏 0 原文

软糯酥胸 2025-01-21 11:57:16

... 表示所有维度的所有元素，直到您开始显式引用（使用 :self.channels 进行引用）。
因此，总而言之，如果 x 是一个 10x4x6 数组，而 self.channels 是 4，则输出将是一个 10x4x4 数组和一个 10x4x2 数组。
如果 x 是 10x6 并且 self.channels 是 2，您将得到一个 10x2 和一个 10x4 数组。您将沿着最后一个维度分割数组。