tf.stack()与tf.unstack()函数 ＆ tf.constant()

tf.stack()

是一个矩阵拼接函数，即将秩为 R 的张量列表堆叠成一个秩为 (R+1) 的张量

import tensorflow as tf
a = tf.constant([[1,2,3],[4,5,6]])
b = tf.constant([[7,8,9],[0,1,7]])
c = tf.stack([a,b],axis = 0)
with tf.Session() as sess:
    result1 = sess.run(c)
    print(result1)
>>>
[[[1 2 3]
  [4 5 6]]
 
 [[7 8 9]
  [0 1 7]]]

将 values 中的张量列表打包成一个张量，该张量比 values 中的每个张量都高一个秩，通过沿 axis 维度打包。
给定一个形状为(A, B, C)的张量的长度 N 的列表；

如果 axis == 0，那么 output 张量将具有形状(N, A, B, C)。
如果 axis == 1，那么 output 张量将具有形状(A, N, B, C)。

如果 axis == 2，那么 output 张量将具有形状( A, B, N, C)。
如果 axis == 3，那么 output 张量将具有形状(A, B, C, N)。  或者　axis=-1　表示最后一个？？

---

tf.unstack()

是一个拆分矩阵的函数，将秩为 R 的张量的给定维度出栈为秩为 (R-1) 的张量。

通过沿 axis 维度将 num 张量从 value 中分离出来。如果没有指定 num（默认值），则从 value 的形状推断。如果 value.shape[axis] 不知道，则引发 ValueError。

例如，给定一个具有形状 (A, B, C, D) 的张量。

• 如果 axis == 0，那么 output 中的第 i 个张量就是切片 value[i, :, :, :]，并且 output 中的每个张量都具有形状 (B, C, D)。（请注意，出栈的维度已经消失，不像split）。 
• 如果 axis == 1，那么 output 中的第 i 个张量就是切片 value[:, i, :, :]，并且 output 中的每个张量都具有形状 (A, C, D)。 

这与堆栈（stack.）相反

 

tf.constant()　　https://blog.csdn.net/csdn_jiayu/article/details/82155224

在TensorFlow API中创建常量的函数原型如下所示：

tf.constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

可以看到第一个值value是必须的，可以是一个数值，也可以是一个列表。
１　如果是数值：

tensor=tf.constant(1)

为查看结果必须创建一个会话，并用取值函数eval()来查看创建的tensor的值：

sess=tf.Session()
with sess.as_default():
    print('结果是：', tensor.eval())

sess=tf.Session()
with sess.as_default():
    print('结果是：', tensor.eval())

结果是：1

 

２　如果value是一个列表：

tensor=tf.constant([1, 2])
sess=tf.Session()
with sess.as_default():
    print('结果是：', tensor.eval())

 

结果是：[1 2]

３　参数说明

tf.constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

后面四个参数可写可不写，
１　第二个参数
表示数据类型，一般可以是tf.float32, tf.float64等：

tensor=tf.constant([1, 2], dtype=tf.float32)
sess=tf.Session()
with sess.as_default():
    print('结果是：', tensor.eval())

   结果是： [1. 2.]
 

2 第三个参数

表示张量的“形状”，即维数以及每一维的大小。
如果指定了第三个参数，当第一个参数value是数字时，张量的所有元素都会用该数字填充：

tensor=tf.constant(-1, shape=[2, 3])
sess=tf.Session()
with sess.as_default():
    print('结果是：', tensor.eval())

结果是： [[-1 -1 -1]
         [-1 -1 -1]]

可以看到是一个二维张量，第一维大小为2， 第二维大小为3，全用数字-1填充。

而当第一个参数value是一个列表时，注意列表的长度必须小于等于第三个参数shape的大小（即各维大小的乘积），
否则７个数，但是给了６个位置［２，３］会报错：

tensor=tf.constant([1, 2, 3, 4, 5, 6, 7], shape=[2, 3])

报错如下：Traceback (most recent call last):
  File "", line 1, in
    tensor=tf.constant([1, 2, 3, 4, 5, 6, 7], shape=[2, 3])
ValueError: Too many elements provided. Needed at most 6, but received 7

而如果列表大小小于shape大小，则会用列表的最后一项元素填充剩余的张量元素：

tensor=tf.constant([1, 2], shape=[1, 4, 3])
sess=tf.Session()
with sess.as_default():
    print('结果是：', tensor.eval())

结果是： [[[1 2 2]
          [2 2 2]
          [2 2 2]
          [2 2 2]]]

3 第四个参数

name可以是任何内容，主要是字符串就行。
不输入任何内容时：

tensor=tf.constant([1, 2])
print(tensor)

Tensor("Const_16:0", shape=(2,), dtype=int32)

作为对比：

tensor=tf.constant([1, 2], name="jiayu")
print(tensor)

Tensor("jiayu_1:0", shape=(2,), dtype=int32)

４　第五个参数

verify_shape默认为False，
如果修改为True的话表示检查value的形状与shape是否相符，如果不符会报错。

tensor=tf.constant([[1, 2, 3], [4, 5, 6]], shape=[2, 3], verify_shape=True)

    以上代码value与shape都是两行三列，检查结果正确。而下面的代码会报错：

tensor=tf.constant([1, 2], shape=[3, 2], verify_shape=True)