Python Tensorflow和Numpy数据格式不匹配

使用此代码：

import tensorflow as tf  

w = tf.Variable(tf.random_normal( [ 3 , 3 , 1 , 1  ], stddev = 0.01 )) 
if __name__ == '__main__': 
    initVar = tf.global_variables_initializer()  
    with tf.Session() as sess:  
        sess.run(initVar) 
        print w.eval()

由于数据格式

w=tf.Variable（tf.random\u normal（[kernel\u height，kernel\u width，input\u channel，output\u chchannel]，stddev=0.01））

，我希望看到这样的矩阵：

[[[[ -0.004  0.003  0.006]
   [ -0.005 -0.008  0.001]
   [  0.006  0.007  0.002]]]]

但它打印的是：

[[[[ 0.001]] 
  [[-0.031]] 
  [[-0.005]]]

 [[[ 0.006]] 
  [[ 0.011]] 
  [[ 0.006]]]

 [[[ 0.008]] 
  [[-0.001]] 
  [[ 0.014]]]]

我想要的是将我的权重张量值乘以常数张量0和1，得到隐藏的权重，如：

w = [[[[ -0.004  0.003  0.006]
       [ -0.005 -0.008  0.001]
       [  0.006  0.007  0.002]]]]

mask = [[[[ 1  1  1]
          [ 1  1  0]
          [ 0  0  0]]]]

w * mask =  [[[[ -0.004  0.003  0.006]
               [ -0.005 -0.008  0.   ]
               [  0.     0.     0.   ]]]]

我使用的代码如下所示：

    mask = np.ones((3, 3, 1, 1), dtype=np.float32)
    mask[1, 2, :, :] = 0.
    mask[2, :, :, :] = 0. 

    weight = tf.get_variable("weight", [3, 3, 1, 1], tf.float32, tf.contrib.layers.xavier_initializer()) 

    weight *= tf.constant(mask, dtype=tf.float32)

但它似乎不能正常工作。谢谢你的帮助。

你需要什么

w = tf.Variable(tf.random_normal([1, 1, 3, 3], stddev=0.01)) 

最后，您可以使用

import tensorflow as tf 
import numpy as np

mask = np.ones((1, 1, 3, 3), dtype=np.float32)
mask[:, :, 1, 2] = 0.
mask[:, :, 2, :] = 0. 

print(mask)

weight = tf.get_variable("weight", [3, 3, 1, 1], tf.float32, tf.contrib.layers.xavier_initializer())
weight *= tf.transpose( tf.constant(mask, dtype=tf.float32) )

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(tf.transpose(weight).eval())

你会得到

[[[[ 1.  1.  1.]
   [ 1.  1.  0.]
   [ 0.  0.  0.]]]]

[[[[ 0.88993669  0.80872607  0.57259583]
   [ 0.5067296  -0.20804334 -0.        ]
   [ 0.          0.          0.        ]]]]

你需要

w = tf.Variable(tf.random_normal([1, 1, 3, 3], stddev=0.01)) 

最后，您可以使用

import tensorflow as tf 
import numpy as np

mask = np.ones((1, 1, 3, 3), dtype=np.float32)
mask[:, :, 1, 2] = 0.
mask[:, :, 2, :] = 0. 

print(mask)

weight = tf.get_variable("weight", [3, 3, 1, 1], tf.float32, tf.contrib.layers.xavier_initializer())
weight *= tf.transpose( tf.constant(mask, dtype=tf.float32) )

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(tf.transpose(weight).eval())

你会得到

[[[[ 1.  1.  1.]
   [ 1.  1.  0.]
   [ 0.  0.  0.]]]]

[[[[ 0.88993669  0.80872607  0.57259583]
   [ 0.5067296  -0.20804334 -0.        ]
   [ 0.          0.          0.        ]]]]

---

谢谢您的详细回答，但正如我提到的，我在我的模型中使用此数据格式

[内核高度、内核宽度、输入通道、输出通道]

。因此，您提出的方法与我的任务不匹配。由于您使用了

[输入通道、输出通道、内核高度、内核宽度]

@AliAbbasi tf与其他dl平台一样具有固定的数据格式。如果你在处理图像，W应该是[BHWC]格式。所以我想知道Tensorflow使用BHWC，但对于Numpy，它的顺序是相反的BCHW，所以你说它没有问题，TF可以处理它？我说得对吗？@Aliabasi对不起，我没能理解你的意思。我想你只需要用适当的形状格式化掩码。我的意思是在Tensorflow中，权重是

[内核高度，内核宽度，输入通道，输出通道]

格式，当我想创建一个4维Numpy数组作为掩码时，Numpy创建为

[输入通道，输出通道，内核高度，内核宽度]

格式，我的问题是如何处理这种不匹配的格式？谢谢您的详细回答，但正如我提到的，我在我的模型中使用这种数据格式

[内核高度、内核宽度、输入通道、输出通道]

。因此，您提出的方法与我的任务不匹配。由于您使用了

[输入通道、输出通道、内核高度、内核宽度]

@AliAbbasi tf与其他dl平台一样具有固定的数据格式。如果你在处理图像，W应该是[BHWC]格式。所以我想知道Tensorflow使用BHWC，但对于Numpy，它的顺序是相反的BCHW，所以你说它没有问题，TF可以处理它？我说得对吗？@Aliabasi对不起，我没能理解你的意思。我想你只需要用适当的形状格式化掩码。我的意思是在Tensorflow中，权重是

[内核高度，内核宽度，输入通道，输出通道]

格式，当我想创建一个4维Numpy数组作为掩码时，Numpy创建为

[输入通道，输出通道，内核高度，内核宽度]

格式，我的问题是，如何处理这种不匹配的格式？