在TensorFlow中，我打算使用sin(x)具有某些近似项的Taylor级数来操纵张量。为此，我尝试(32,32)用sin（x）的泰勒级数操纵灰度图像（的形状），并且效果很好。现在，在处理形状为的灰度图像到形状(32,32)为的RGB图像时，我遇到了同样的麻烦(32,32,3)，并且无法为我提供正确的数组。凭直觉，我正在尝试通过Taylor的展开来操纵张量sin(x)。谁能告诉我在tensorflow中做到这一点的可能方法吗？任何的想法？
我的尝试：
这里是泰勒展开sin(x)在x=0: 1- x + x**2/2 - x**3/6三个扩展项。
from tensorflow.keras.datasets import mnist
(X_train, y_train), (X_test, y_test) = mnist.load_data()
x= X_train[1,:,:,1]
k= 3
func = 'sin(x)'
new_x = np.zeros((x.shape[0], x.shape[1]*k))
new_x = new_x.astype('float32')
nn = 0
for i in range(x.shape[1]):
col_d = x[:,i].ravel()
new_x[:,nn] = col_d
if n_terms > 0:
for j in range(1,k):
if func == 'cos(x)':
new_x[:,nn+j] = new_x[:,nn+j-1]
我想我可以使用TensorFlow来更有效地做到这一点，但是这对我来说不是很直观。谁能建议一种可行的解决方法来完成这项工作？任何想法？
更新：
2dim数组col_d = x[:,i].ravel()中的像素向量将2个dim数组展平。同样，我们可以通过以下方式将3dim数组重塑为2个dim：x.transpose(0,1,2).reshape(x.shape[1],-1)在for循环中，它可能是x[:,i].transpose(0,1,2).reshape(x.shape[1],-1)，但这仍然不正确。我认为张量流可能有更好的方法来做到这一点。我们如何才能sin(x)更有效地利用taylor级数来操纵张量？有什么想法吗？
目标：
直观地说，在泰勒级数的sin(x)，x是张量，如果我们只想要2，泰勒系列的3个近似条件sin(x)对每个张量，我希望concatenate他们在新的张量。我们应该如何在TensorFlow中有效地做到这一点？有什么想法吗？
new_x = np.zeros（（x.shape [0]，x.shape [1] * n_terms））
这行没有意义，为什么要为3个taylor扩展项分配96个元素的空间。
(new_x[:, 3:] == 0.0).all() = True # check
使用n项进行像素泰勒展开
def sin_exp_step(x, i):
c1 = 2 * i + 1
c2 = (-1) ** i / np.math.factorial(c1)
t = c2 * (x ** c1)
return t
# validate
x = 45.0
x = (np.pi / 180.0) * x
y = np.sin(x)
approx_y = 0
for i in range(n_terms):
approx_y += sin_exp_step(x, i)
abs(approx_y - y) < 1e-8
x= X_train[1,:,:,:]
n_terms = 3
func = 'sin(x)'
new_x = np.zeros((*x.shape, n_terms))
for i in range(0, n_terms):
if func == 'sin(x)': # sin(x)
new_x[..., i] += sin_exp_step(x, i)
通常避免使用数值逼近方法，因为它们计算量大（即阶乘）且稳定性较差，因此对于此类高阶导数算法BFGS并LBFGS用于近似粗麻布矩阵（二阶导数），基于梯度的优化通常是最佳的。诸如Adam＆SGD之类的优化器就足够了，并且具有更少的计算量。使用神经网络，我们也许能够找到更好的扩展。
import numpy as np
import tensorflow as tf
from tensorflow.keras.datasets import cifar10
from tensorflow.keras.layers import Input, LocallyConnected2D
from tensorflow.keras.models import Model
from tensorflow.keras import backend as K
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
x_train = tf.constant(x_train, dtype=tf.float32)
x_test = tf.constant(x_test, dtype=tf.float32)
def expansion_approx_of(func):
def reconstruction_loss(y_true, y_pred):
loss = (y_pred - func(y_true)) ** 2
loss = 0.5 * K.mean(loss)
return loss
return reconstruction_loss
class Expansion2D(LocallyConnected2D): # n-terms expansion layer
def __init__(self, i_shape, n_terms, kernel_size=(1, 1), *args, **kwargs):
if len(i_shape) != 3:
raise ValueError('...')
self.i_shape = i_shape
self.n_terms = n_terms
filters = self.n_terms * self.i_shape[-1]
super(Expansion2D, self).__init__(filters=filters, kernel_size=kernel_size,
use_bias=False, *args, **kwargs)
def call(self, inputs):
shape = (-1, self.i_shape[0], self.i_shape[1], self.i_shape[-1], self.n_terms)
out = super().call(inputs)
expansion = tf.reshape(out, shape)
out = tf.math.reduce_sum(expansion, axis=-1)
return out, expansion
inputs = Input(shape=(32, 32, 3))
# expansion: might be a taylor expansion or something better.
out, expansion = Expansion2D(i_shape=(32, 32, 3), n_terms=3)(inputs)
model = Model(inputs, [out, expansion])
opt = tf.keras.optimizers.Adam(learning_rate=0.0001, beta_1=0.9, beta_2=0.999)
loss = expansion_approx_of(K.sin)
model.compile(optimizer=opt, loss=[loss])
model.summary()
model.fit(x_train, x_train, batch_size=1563, epochs=100)
x_pred, x_exp = model.predict_on_batch(x_test[:32])
print((x_exp[0].sum(axis=-1) == x_pred[0]).all())
err = abs(x_pred - np.sin(x_test[0])).mean()
print(err)
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句