详细内容或原文请订阅后点击阅览
面向 R TensorFlow 用户的 NumPy 风格广播
广播，就像 Python 的科学计算库 NumPy 所做的那样，涉及动态扩展形状，以便可以将不同大小的数组传递给需要一致性的操作 - 例如逐元素添加或乘法。在 NumPy 中，广播的工作方式是精确指定的；同样的规则适用于 TensorFlow 操作。对于偶尔查阅 Python 代码的任何人，这篇文章都力求解释清楚。
来源:RStudio AI博客我们从 R 开发、训练和部署 TensorFlow 模型。但这并不意味着我们不使用用 Python 编写的文档、博客文章和示例。我们在官方 TensorFlow API 文档中查找特定功能；我们从其他人的代码中获得灵感。
官方 TensorFlow API 文档根据您对 Python 的熟悉程度，存在一个问题。例如：您应该知道广播的工作原理。也许，您会说您对它有点熟悉：所以当数组具有不同的形状时，某些元素会被重复，直到它们的形状匹配并且……而且 R 不是矢量化的吗？
广播虽然这种全局概念可能在一般情况下有效，例如在浏览博客文章时，但不足以理解 TensorFlow API 文档中的示例。在这篇文章中，我们将尝试更准确地理解，并通过具体示例进行检查。
说到例子，这里有两个激励人心的例子。
广播的实际应用
第一个使用 TensorFlow 的 matmul 将两个张量相乘。您想猜一下结果吗 - 不是数字，而是它通常如何产生？这是否运行无误 - 矩阵不应该是二维的（用 TensorFlow 的话来说，是 2 阶张量）吗？
matmul
等级
a <- tf$constant(keras::array_reshape(1:12, dim = c(2, 2, 3)))a # tf.Tensor(# [[[ 1. 2. 3.]# [ 4. 5. 6.]]# # [[ 7. 8. 9.]# [10. 11. 12.]]], shape=(2, 2, 3), dtype=float64)b <- tf$constant(keras::array_reshape(101:106, dim = c(1, 3, 2)))b # tf.Tensor(# [[[101. 102.]# [103. 104.]# [105. 106.]]], shape=(1, 3, 2), dtype=float64)c <- tf$matmul(a, b)
a <- tf$constant(keras::array_reshape(1:12, dim = c(2, 2, 3)))a # tf.Tensor(# [[[ 1. 2. 3.]# [ 4. 5. 6.]]# # [[ 7. 8. 9.]# [10. 11. 12.]]], shape=(2, 2, 3), dtype=float64)b <- tf$constant(keras::array_reshape(101:106, dim = c(1, 3, 2)))b # tf.Tensor(# [[[101. 102.]# [103. 104.]# [105. 106.]]], shape=(1, 3, 2), dtype=float64)c <- tf$matmul(a, b)
a
<-
tf
$
常量
(
keras
::
重塑
(
1
:
12
=
c
c
(
2
2
3
)
)
)
a
a
#