Tensorflow 行直方图

给定一个二维张量

t

，计算张量

h

的最快方法是什么

h[i, :] = tf.histogram_fixed_width(t[i, :], vals, nbins)

也就是说，

tf.每行输入张量
t
调用一个固定宽度的直方图

似乎
tf.histogram\u fixed\u width
缺少一个类似于
tf.reduce\u sum
的
轴的
参数的
轴
参数。
确实适用于整个张量。您必须显式地循环行以计算每行直方图。以下是使用TensorFlow构造的完整工作示例：

import tensorflow as tf

t = tf.random_uniform([2, 2])

i = 0
hist = tf.constant(0, shape=[0, 5], dtype=tf.int32)

def loop_body(i, hist):
  h = tf.histogram_fixed_width(t[i, :], [0.0, 1.0], nbins=5)
  return i+1, tf.concat_v2([hist, tf.expand_dims(h, 0)], axis=0)

i, hist = tf.while_loop(
              lambda i, _: i < 2, loop_body, [i, hist],
              shape_invariants=[tf.TensorShape([]), tf.TensorShape([None, 5])])

sess = tf.InteractiveSession()
print(hist.eval())

将tensorflow导入为tf
t=tf.随机均匀（[2,2]）
i=0
hist=tf.constant（0，shape=[0,5]，dtype=tf.int32）
def回路_主体（i，历史）：
h=tf.直方图固定宽度（t[i，：]，[0.0,1.0]，nbins=5）
返回i+1，tf.concat_v2（[hist，tf.expand_dims（h，0）]，轴=0）
i、 hist=tf.while\u循环(
λi，i:i<2，环体，[i，hist]，
形状_不变量=[tf.TensorShape（[]），tf.TensorShape（[None，5]））
sess=tf.InteractiveSession（）
打印（hist.eval（））
确实适用于整个张量。您必须显式地循环行以计算每行直方图。以下是使用TensorFlow构造的完整工作示例：

import tensorflow as tf

t = tf.random_uniform([2, 2])

i = 0
hist = tf.constant(0, shape=[0, 5], dtype=tf.int32)

def loop_body(i, hist):
  h = tf.histogram_fixed_width(t[i, :], [0.0, 1.0], nbins=5)
  return i+1, tf.concat_v2([hist, tf.expand_dims(h, 0)], axis=0)

i, hist = tf.while_loop(
              lambda i, _: i < 2, loop_body, [i, hist],
              shape_invariants=[tf.TensorShape([]), tf.TensorShape([None, 5])])

sess = tf.InteractiveSession()
print(hist.eval())

将tensorflow导入为tf
t=tf.随机均匀（[2,2]）
i=0
hist=tf.constant（0，shape=[0,5]，dtype=tf.int32）
def回路_主体（i，历史）：
h=tf.直方图固定宽度（t[i，：]，[0.0,1.0]，nbins=5）
返回i+1，tf.concat_v2（[hist，tf.expand_dims（h，0）]，轴=0）
i、 hist=tf.while\u循环(
λi，i:i<2，环体，[i，hist]，
形状_不变量=[tf.TensorShape（[]），tf.TensorShape（[None，5]））
sess=tf.InteractiveSession（）
打印（hist.eval（））
受到keveman答案的启发，并且由于
t
的行数是固定的，而且非常小，因此我选择使用
tf.gather
组合来拆分行，并使用
tf.pack
组合来连接行。它看起来简单有效，我们会看看它是否有效

t_histo_rows = [
        tf.histogram_fixed_width(
            tf.gather(t, [row]),
            vals, nbins)
        for row in range(t_num_rows)]

t_histo = tf.pack(t_histo_rows, axis=0)

受keveman答案的启发，由于
t
的行数是固定的，而且非常小，我选择使用
tf.gather
组合来拆分行，使用
tf.pack
组合来连接行。它看起来简单有效，我们会看看它是否有效

t_histo_rows = [
        tf.histogram_fixed_width(
            tf.gather(t, [row]),
            vals, nbins)
        for row in range(t_num_rows)]

t_histo = tf.pack(t_histo_rows, axis=0)

我想提出另一个实施方案。
此实现还可以处理多轴和未知尺寸（批处理）

这里唯一慢的部分是
tf.map\fn
，但它仍然比前面提到的其他解决方案快

如果有人知道一个更快的实现，请评论，因为这个操作仍然非常昂贵。
我想提出另一个实现。
此实现还可以处理多轴和未知尺寸（批处理）

这里唯一慢的部分是
tf.map\fn
，但它仍然比前面提到的其他解决方案快

如果有人知道一个更快的实现，请发表评论，因为这个操作仍然非常昂贵。
上面的回答在GPU中仍然运行缓慢。在这里，我给出了另一个选项，它更快（至少在我的运行环境中），但它被限制为0~1（可以先规范化值）。可以提前定义一次列相等掩码

def直方图（张量、nbins、行数、列数）：
#初始掩码
相等掩码列表=[]
对于范围内的i（nbins）：
相等掩码列表追加（tf.ones（[row\u num，col\u num]，dtype=tf.int32）*i）
#[nbins，row，col]
#[0，row，col]是形状为[row，col]且所有值均为0的张量
#[1，row，col]是所有值为1的形状为[row，col]的张量
#....
列相等掩码=tf.stack（相等掩码列表，轴=0）
#[inst，doc_len]浮点到整数（容器中的相等分段浮点）
int_input=tf.cast（张量*（nbins），dtype=tf.int32）
#输入[row，col]->复制N次[nbins，row\u num，col\u num]
int\u input\u nbin\u copy=tf.reformate（tf.tile（int\u input，[nbins，1]），[nbins，row\u num，col\u num]）
#计算直方图
直方图=tf.转置（tf.计数非零（tf.相等（列相等掩码，整数输入掩码，轴=2））
返回直方图
上面的答案在GPU中仍然运行缓慢。在这里，我给出了另一个选项，它更快（至少在我的运行环境中），但它被限制为0~1（可以先规范化值）。可以提前定义一次列相等掩码

def直方图（张量、nbins、行数、列数）：
#初始掩码
相等掩码列表=[]
对于范围内的i（nbins）：
相等掩码列表追加（tf.ones（[row\u num，col\u num]，dtype=tf.int32）*i）
#[nbins，row，col]
#[0，row，col]是形状为[row，col]且所有值均为0的张量
#[1，row，col]是所有值为1的形状为[row，col]的张量
#....
列相等掩码=tf.stack（相等掩码列表，轴=0）
#[inst，doc_len]浮点到整数（容器中的相等分段浮点）
int_input=tf.cast（张量*（nbins），dtype=tf.int32）
#输入[row，col]->复制N次[nbins，row\u num，col\u num]
int\u input\u nbin\u copy=tf.reformate（tf.tile（int\u input，[nbins，1]），[nbins，row\u num，col\u num]）
#计算直方图
直方图=tf.转置（tf.计数非零（tf.相等（列相等掩码，整数输入掩码，轴=2））
返回直方图
我只想指出，如果
t\u num\u rows
在图形构建时间未知（使用tensorflow和批处理时很可能发生这种情况），则
tf.gather
解决方案不起作用。我只想指出，如果
t\u num\u rows
在图形构建时间未知，则
tf.gather
解决方案不起作用（使用tensorflow和批处理时很可能发生的情况）。