python - 如何在Tensorflow中将向量转换为单位向量

Question

这是一个非常简单的问题，我似乎无法弄清楚。我正在使用形状为 [100, 250] 的输出张量。我希望能够在百位中的任何位置访问 250 维数组并单独修改它们。我发现的 tensorflow 数学工具要么对整个张量进行逐元素修改，要么进行标量修改。但是，我正在尝试对张量的子集进行标量修改。

编辑:

这是我想用 tensorflow 方法重新创建的 numpy 代码:

update = sess.run(y, feed_dict={x: batch_xs})
for i in range(len(update)):
        update[i] = update[i]/np.sqrt(np.sum(np.square(update[i])))
        update[i] = update[i] * magnitude

这个for循环在250-D而不是3-D中遵循这个公式

.然后，我将每个单位向量乘以大小，以将其重新整形为我想要的长度。

所以这里更新的是 numpy [100, 250] 维度的输出。我想将每个 250 维向量转换为其单位向量。这样我就可以将它的长度更改为我选择的大小。使用这个 numpy 代码，如果我运行我的 train_step 并将更新传递给我的占位符之一

sess.run(train_step, feed_dict={x: batch_xs, prediction: output}) 

它返回错误:

No gradients provided for any variable

这是因为我已经在 numpy 中完成了数学运算并将其移植回 tensorflow。 Here是一个相关的 stackoverflow 问题，没有得到回答。

tf.nn.l2_normalize非常接近我正在寻找的，但它除以最大平方和的平方根。而我试图将每个向量除以其自己的平方和。

谢谢!

Answer 1

这里没有真正的技巧，你可以像在 numpy.
唯一需要确定的是 norm形状为 [100, 1]使其在x / norm 分区中播放良好.

x = tf.ones([100, 250])

norm = tf.sqrt(tf.reduce_sum(tf.square(x), axis=1, keepdims=True))
assert norm.shape == [100, 1]

res = x / norm