tf.where 和 tf.cond对比

最新推荐文章于 2024-06-10 21:22:43 发布
原创 最新推荐文章于 2024-06-10 21:22:43 发布 · 9.3k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorflow

本文通过实例对比了TensorFlow中tf.cond和tf.where两种条件运算符的使用方式及区别。tf.cond根据条件执行不同的函数，而tf.where则针对具体计算选择不同路径。
部署运行你感兴趣的模型镜像 
import tensorflow as tf
pred=tf.placeholder(dtype=tf.bool,name='bool')
x=tf.constant(1)
y = tf.cond(pred,lambda:x+1,lambda:x-1)
z=tf.where(pred,x+1,x-1)

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())
    y1,z1=sess.run([y,z],feed_dict={pred:True})
    y2,z2=sess.run([y,z],feed_dict={pred:False})

我们可以看出，用法几乎一样，不过，tf.cond针对的是函数，而tf.where针对的是具体计算

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.15

TensorFlow-v2.15

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

tf第四讲：tf中的循环tf.while_loop，条件tf.cond，比较、数学运算、类型转换
weixin_43178406的博客
08-21 1万+
本文主要介绍了tf第四讲：tf中的循环tf.while_loop，条件tf.cond，比较、数学运算、类型转换，希望能对学习TensorFlow的同学有所帮助。 文章目录 1. tensorflow中的比较函数与类型转换 2. tensorflow中的数学运算 2.1 常用数学运算 2.2 更改tensor的shape 2.3 矩阵数学函数 2.4 reduce相关函数 3. tensorflow如何使用条件句:tf.cond 4. tf中如何使用循环
TensorFlow（1.15版本），tf.map_fn速度很慢
Love-Coding
10-14 242
把tf.map_fn替换成tf.where实现。
tensorflow的用法：tf.where 和 tf.cond对比
lidichengfo0412的博客
08-27 2106
import tensorflow as tf p=tf.constanc(4) x=tf.constant(5) y = tf.cond(p<x,lambda:x**2,lambda:x) z=tf.where(p<x,x**2,x) with tf.Session() as sess: sess.run(tf.global_variables_initializer()...
tf.where()详解
热门推荐
sunmingyang1987的博客
11-14 1万+
目录函数介绍 函数介绍 tf.where()返回一个布尔张量中真值的位置。对于非布尔型张量，非0的元素都判为True 返回的是二维张量，第一个维度的数量，即行数表明有多少个为True值；同一行中的数据代表该True值在原张量中的位置。 举几个例子： test_a=tf.constant([[1,2,3],[0,0,6]]) tf.where(test_a) 输出： test_a=tf.constant([[1,-2,-5],[0,0,6]]) tf.where(test_a) 输出： test_a=
TensorFlow学习02-tf.cond() tf.where()
xiadimichen14908的博客
11-01 1451
TensorFlow控制语句 tf.cond（） tf.cond( pred, true_fn=None, false_fn=None, strict=False, name=None, fn1=None, fn2=None ) 当pred=True的时候返回true_fn()，pred=False的时候返回false_fn() 在这里插入代码片 ...
tf.where
weixin_30875157的博客
10-18 155
tf.where import tensorflow as tf temp = tf.reshape(tf.range(0, 16) + tf.constant(1, shape=[16]), [4, 1, 2, 2]) category_index = tf.where(tf.greater(temp, 6)) with tf.Session(...
[TensorFlow 2] 高阶OP tf.where tf.scatter_nd tf.meshgrid
culeworks
09-09 580
文章目录介绍tf.wheretf.where(tensor)tf.where(condition,A,B) 介绍 以龙良曲老师的《深度学习与TensorFlow 2入门实战》为教材，记录一下我的学习笔记。 代码 运行结果 tf.where tf.where(tensor) a=tf.random.normal([3,3]) mask=a>0 生成一个3*3的随机数矩阵，> 0 ...
tf处理序列常用函数
霜叶的博客
06-10 1450
是 TensorFlow 中的一个函数，用于找出一个张量中所有的唯一元素，并且返回它们的索引。该函数会返回两个张量：第一个包含了输入张量中的唯一元素，第二个包含了原始输入张量中每个元素在唯一元素张量中的索引。输出张量的长度是输入张量的最大值加1。是 TensorFlow 中的一个函数，用于逐元素比较两个张量，并返回一个布尔张量，该张量的每个元素表示第一个输入张量中的元素是否大于第二个输入张量中对应的元素。返回的是一个一维张量，因为它从输入张量中抽取了所有被选中的元素，并将它们平铺在了一个新的一维张量中。
TensorFlow2.0教程-使用tf.function和AutoGraph提高代码性能
知行_那片天
07-07 1万+
TensorFlow2教程-TF fuction和AutoGraph 要获得最佳性能并使模型可在任何地方部署，请使用tf.function从程序中构建图。 因为有AutoGraph，可以使用tf.function构建高效性能的Python代码，但仍有一些陷阱需要警惕。 今天我们就来介绍一下tensorflow2.0中的TF fuction和AutoGraph
tf.cond和tf.case
Deep Learning and NLP Farm
11-16 5541
tensorflow的逻辑控制 关于tf.case理解的不是很好： https://stackoverflow.com/questions/41910073/tensorflow-tf-case-f-default-should-do-nothing 待明确后再补充 关于tf.cond，这里给出几个示例，对我来说，例子就是快速明白用法的途径import tensorflow as tf a=
tf.where用法
richard1230的博客
10-10 371
tenflow 中tf.where(）用法 where(condition, x=None, y=None, name=None) condition， x, y 相同维度，condition是bool型值，True/False 1.where(condition）的用法 condition是bool型值，True/False 返回值，是condition中元素为True对应的索引 看个例子...
tf.where()
u014765410的博客
01-23 265
tf.where()
tf.where() 详解
“365天深度学习训练营”报名进行中～
09-18 1029
tf.where(tensor) ：tensor 为一个bool 型张量，where函数将返回其中为true的元素的索引。 tf.where(tensor,a,b)：a,b为和tensor相同维度的tensor，将tensor中的true位置元素替换为ａ中对应位置元素，false的替换为b中对应位置元素。 ...
tf.where、
菜鸟要爱学习
03-24 748
在复现Faster R-CNN过程中，计算相应的模型损失时，遇到tf.where()等函数不是很清楚，今天记录下来以备查看。tf.where()对于非布尔型张量，返回的是非零数值的位置。在tensor中进行不连续的取值，就必须用到。其基本语法如下：params,indices,name=None。
tensorflow函数_tf.where()
brave_555的博客
12-02 935
1.第一种用法：tf.where(input, name=None):返回输入矩阵中true的位置 For example: （1）‘input’ tensor is [[True, False] [True, False]] input里面有两个true，所以返回两行（两个位置信息） where(input) ==> [[0, 0], [1, 0]] （2）input tensor is ...
class ClassSpecificPrecision(tf.keras.metrics.Metric): def __init__(self, class_id, num_classes=8, name="class_precision", **kwargs): """ 为指定类别计算精确率 参数: class_id: 要计算精确率的类别ID (0-7) num_classes: 总类别数 (默认为8) name: 指标名称 """ super().__init__(name=name, **kwargs) self.class_id = class_id self.num_classes = num_classes # 初始化真正例(TP)和预测正例(PP)计数器 self.true_positives = self.add_weight( name="tp", initializer="zeros", dtype=tf.float32) self.predicted_positives = self.add_weight( name="pp", initializer="zeros", dtype=tf.float32) def update_state(self, y_true, y_pred, sample_weight=None): # 将标签转换为整数类型 y_true = tf.cast(y_true, tf.int32) # 获取预测类别 (形状: [batch_size]) y_pred_class = tf.argmax(y_pred, axis=-1, output_type=tf.int32) # 计算真正例 (TP): 实际为class_id且预测为class_id true_positive = tf.logical_and( tf.equal(y_true, self.class_id), tf.equal(y_pred_class, self.class_id) ) # 计算预测正例 (PP): 预测为class_id (不论实际类别) predicted_positive = tf.equal(y_pred_class, self.class_id) # 应用样本权重 (如果提供) if sample_weight is not None: true_positive = tf.cast(true_positive, tf.float32) * sample_weight predicted_positive = tf.cast(predicted_positive, tf.float32) * sample_weight else: true_positive = tf.cast(true_positive, tf.float32) predicted_positive = tf.cast(predicted_positive, tf.float32) # 更新状态变量 self.true_positives.assign_add(tf.reduce_sum(true_positive)) self.predicted_positives.assign_add(tf.reduce_sum(predicted_positive)) def result(self): # 避免除以零错误 return tf.where( self.predicted_positives > 0, self.true_positives / self.predicted_positives, 0.0 ) def reset_state(self): # 重置计数器 self.true_positives.assign(0.0) self.predicted_positives.assign(0.0) 上面自定义的指标输出为什么会超过100.0
最新发布
07-26
return tf.cond(tf.greater(tp_plus_fp, 0), lambda: self.true_positives / tp_plus_fp, lambda: tf.constant(0.0, dtype=tf.float32)) ``` 另外，还有一个潜在问题：在`update_state`中，我们假设`y_true`...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值