Tensorflow K-均值示例（tf.expand_dims）

在Tensorflow的Kmeans示例代码中

使用函数“tf.expand_dims”（在张量形状中插入一个1的尺寸）时，点_展开，质心_展开 在计算tf之前，减少_和

为什么在第二个参数中有不同的索引（0，1）

import numpy as np
import tensorflow as tf
points_n = 200
clusters_n = 3
iteration_n = 100
points = tf.constant(np.random.uniform(0, 10, (points_n, 2)))
centroids = tf.Variable(tf.slice(tf.random_shuffle(points), [0, 0],[clusters_n, -1]))
points_expanded = tf.expand_dims(points, 0)
centroids_expanded = tf.expand_dims(centroids, 1)
distances = tf.reduce_sum(tf.square(tf.subtract(points_expanded, centroids_expanded)), 2)
assignments = tf.argmin(distances, 0)
means = []
for c in range(clusters_n):
    means.append(tf.reduce_mean(tf.gather(points,tf.reshape(tf.where(tf.equal(assignments, c)), [1, -1])), reduction_indices=[1]))
new_centroids = tf.concat(means,0)
update_centroids = tf.assign(centroids, new_centroids)
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(iteration_n):
    [_, centroid_values, points_values, assignment_values] = sess.run([update_centroids, centroids, points, assignments])
    print("centroids" + "\n", centroid_values)
plt.scatter(points_values[:, 0], points_values[:, 1], c=assignment_values, s=50, alpha=0.5)
plt.plot(centroid_values[:, 0], centroid_values[:, 1], 'kx', markersize=15)
plt.show()

---

这样做是为了从每个点减去每个质心。首先，确保你理解广播的概念（） 从tf.subtract（）链接的。然后，您只需绘制

点

、

扩展_点

、

质心

、和

扩展_质心

的形状，并了解哪些值在哪里“广播”。一旦你这样做了，你会看到广播允许你精确地计算你想要的——从每个质心减去每个点

作为一个健全的检查，因为有200个点，3个质心，每个都是2D，我们应该有200*3*2的差异。这正是我们得到的：

In [53]: points
Out[53]: <tf.Tensor 'Const:0' shape=(200, 2) dtype=float64>

In [54]: points_expanded
Out[54]: <tf.Tensor 'ExpandDims_4:0' shape=(1, 200, 2) dtype=float64>

In [55]: centroids
Out[55]: <tf.Variable 'Variable:0' shape=(3, 2) dtype=float64_ref>

In [56]: centroids_expanded
Out[56]: <tf.Tensor 'ExpandDims_5:0' shape=(3, 1, 2) dtype=float64>

In [57]: tf.subtract(points_expanded, centroids_expanded)
Out[57]: <tf.Tensor 'Sub_5:0' shape=(3, 200, 2) dtype=float64>

[53]中的

：点
出[53]：
在[54]中：扩展点
出[54]：
[55]中：质心
出[55]：
[56]中：质心_展开
出[56]：
[57]中：tf.减法（点扩展，质心扩展）
出[57]：

---

如果在绘制形状时遇到问题，可以考虑将带有尺寸

（1200，2）

的

扩展点

广播到尺寸

（3200，2）

，就像沿第一个尺寸复制200x2矩阵3次一样。

质心中的3x2矩阵（形状（3，1，2））在第二维度上被复制了200次。
谢谢你的解释