Tensor 类简介

一、Tensor 类简介

• Tensor 定义

  • A Tensor is a symbolic handle to one of the outputs of an Operation. It does not hold the values of that operation’s output, but instead provides a means of computing those values in a TensorFlow tf.Session.
  • 在 TensorFlow 中，所有在节点之间传递的数据都为 Tensor 对象(可以看作 n 维的数组)，常用图像数据的表示形式 为：batch*height*width*channel 
    

• Tensor-like objects

  • tf.Tensor
  • tf.Variable
  • numpy.ndarray
  • list (and lists of tensor-like objects)
  • Scalar Python types: bool, float, int, str

  Note: By default, TensorFlow will create a new tf.Tensor each time you use the same tensor-like object.

• Some special tensors

  • tf.constant()：返回一个常量 tensor
  • tf.Variable()：返回一个 tensor-like 对象，表示变量
  • tf.SparseTensor()：返回一个tensor-like 对象
  • tf.placeholder()：return a tensor that may be used as a handle for feeding a value, but not evaluated directly.

---

二、Tensor 创建

• TF op：可接收标准 Python 数据类型，如整数、字符串、由它们构成的列表或者Numpy 数组，并将它们自动转化为张量。单个数值将被转化为0阶张量（或标量），数值列表将被转化为1阶张量（向量），由列表构成的列表将被转化为2阶张量（矩阵），以此类推。
• Note：shape 要以 list 或 tuple 的形式传入

---

1、常量 Tensor 的创建

• Constant Value Tensors

# 产生全 0 的张量
tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(tensor, dtype=None, name=None)


# 产生全 1 的张量
tf.ones(shape, dtype=tf.float32, name=None)
tf.ones_like(tensor, dtype=None, name=None)


# Creates a tensor of shape  and fills it with value
tf.fill(shape, value, name=None)
tf.fill([2, 3], 9) ==> [[9, 9, 9]
                        [9, 9, 9]]


# 产生常量 Tensor, value 值可为 python 标准数据类型、Numpy 等
tf.constant(value, dtype=None, shape=None, name='Const')
tf.constant(-1.0, shape=[2, 3]) => [[-1., -1., -1.]  # Note: 注意 shape 的用法(广播机制) 
                                    [-1., -1., -1.]]
tf.constant([1,2,3,4,5,6], shape=[2,3]) => [[1, 2, 3]
                                            [4, 5, 6]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

• Sequences

# 产生 N 个等距分布在[start, stop]间元素组成的数组，包括start & stop
tf.linspace(start, stop, N, name=None)


# []为可选参数，步长默认为1，stop 的值取不到，它产生一个数字序列
tf.range([start], stop, [step=1], name='range')

• 1
• 2
• 3
• 4
• 5
• 6

• Random Tensors

# 正态分布，默认均值为0，标准差为1.0，数据类型为float32
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)


# 正态分布，但那些到均值的距离超过2倍标准差的随机数将被丢弃，然后重新抽取，直到取得足够数量的随机数为止, 随机数 x 
# 的取值范围是$[mean - 2*stddev, mean + 2*stddev]$, 从而可以防止有元素与该张量中的其他元素显著不同的情况出现
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)


# 产生在[minval, maxval)之间形状为 shape 的均匀分布, 默认是[0, 1)之间形状为 shape 的均匀分布
tf.random_uniform(shape, minval=0.0, maxval=1, dtype=tf.float32, seed=None, name=None)


# Randomly shuffles a tensor along its first dimension
tf.random_shuffle(value, seed=None, name=None)


# Randomly crops a tensor to a given size
tf.random_crop(value, size, seed=None, name=None)
# Note：If a dimension should not be cropped, pass the full size of that dimension. 
# For example, RGB images can be cropped with size = [crop_height, crop_width, 3]


# Sets the graph-level random seed
tf.set_random_seed(seed)
# 1. To generate the same repeatable sequence for an op across sessions
# set the seed for the op, a = tf.random_uniform([1], seed=1)
# 2. To make the random sequences generated by all ops be repeatable across sessions
# set a graph-level seed, tf.set_random_seed(1234)


# 其它
tf.multinomial(logits, num_samples, seed=None, name=None)
tf.random_gamma(shape,alpha,beta=None,dtype=tf.float32,seed=None,name=None)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34

---

2、变量 Tensor 的创建

I、Class tf.Variable()

• 常用属性 
  
  • dtype、shape、name
  • initializer：The initializer operation for this variable.
  • op：The Operation that produces this tensor as an output.
  • device：The name of the device on which this tensor will be produced, or None.
  • graph：The Graph that contains this tensor.
  • initial_value：Returns the Tensor used as the initial value for the variable.

• 常用方法

  • eval(session=None)：Evaluates this tensor in a Session. Returns A numpy ndarray with a copy of the value of this variable
  • get_shape()：Alias of Tensor.shape.
  • set_shape(shape)： It can be used to provide additional information about the shape of this tensor that cannot be inferred from the graph alone。
  • initialized_value()：Returns the value of the initialized variable.
  • read_value()：Returns the value of this variable, read in the current context.
  • assign(value, use_locking=False)：Assigns a new value to the variable.
  • assign_add(delta, use_locking=False)
  • assign_sub(delta, use_locking=False)

• Class Variable 定义

# tf.constant 是 op，而 tf.Variable() 是一个类，初始化的对象有多个op
var_obj = tf.Variable(
    initial_value, 
    dtype=None, 
    name=None, 
    trainable=True,
    collections=None,
    validate_shape=True
)

# 初始化参数
initial_value：可由 Python 内置数据类型提供，也可由常量 Tensor 的内置 op 来快速构建，但所有这些 op 都需要提供 shape

trainable：指明了该变量是否可训练, 会加入 `GraphKeys.TRAINABLE_VARIABLES` collection 中去。

collections: List of graph collections keys. The new variable is added to these collections. Defaults to [GraphKeys.GLOBAL_VARIABLES].

validate_shape: If False, allows the variable to be initialized with a value of unknown shape. If True, the default, the shape of initial_value must be known.

# 返回值
变量实例对象(Tensor-like)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21

---

II、tf.get_variable()

# Gets an existing variable with these parameters or create a new one
tf.get_variable(
    name,
    shape=None,
    dtype=None,
    initializer=None,
    trainable=True,
    regularizer=None,
    collections=None,
    caching_device=None,
    partitioner=None,
    validate_shape=True,
    use_resource=None,
    custom_getter=None
)

# 初始化参数
name: The name of the new or existing variable.
shape: Shape of the new or existing variable.
dtype: Type of the new or existing variable (defaults to DT_FLOAT).
initializer: Initializer for the variable if one is created.

trainable: If True also add the variable to the graph collection tf.GraphKeys.TRAINABLE_VARIABLES.

regularizer: A (Tensor -> Tensor or None) function; the result of applying it on a newly created variable will be added to the collection tf.GraphKeys.REGULARIZATION_LOSSES and can be used for regularization.

collections: List of graph collections keys to add the Variable to. Defaults to [GraphKeys.GLOBAL_VARIABLES] (see tf.Variable). 

# 返回值
The created or existing Variable, 拥有变量类的所有属性和方法。


# Note:
>>> name 参数必须要指定，如果仅给出 shape 参数而未指定 initializer，那么它的值将由 tf.glorot_uniform_initializer 随机产生，数据类型为tf.float32; 
>>> 另外，initializer 可以为一个张量，这种情况下，变量的值和形状即为此张量的值和形状(就不必指定shape 了)。
>>> 此函数经常和 tf.variable_scope() 一起使用，产生共享变量

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36

---

III、initializer 参数的初始化

一般要在 tf.get_variable() 函数中指定shape，因为initializer要用到。

• tf.constant_initializer()、tf.zeros_initializer()、tf.ones_initializer()

tf.constant_initializer(
    value=0, 
    dtype=dtypes.float32, 
    verify_shape=False
)

# 通常偏置项就是用它初始化的。由它衍生出的两个初始化方法：
I、tf.zeros_initializer()
II、tf.ones_initializer()

init = tf.constant_initializer()
x = tf.get_variable('x', shape=[2, 3], initializer=init) # 必须指定shape
sess.run(x.initializer)
sess.run(x)
>>> array([[ 0.,  0.,  0.],
           [ 0.,  0.,  0.]], dtype=float32)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

• tf.truncated_normal_initializer()、tf.random_normal_initializer()

# 生成截断正态分布的随机数，方差一般选0.01等比较小的数
tf.truncated_normal_initializer(
    mean=0.0,
    stddev=1.0,
    seed=None,
    dtype=tf.float32
)


# 生成标准正态分布的随机数，方差一般选0.01等比较小的数
tf.random_normal_initializer(
    mean=0.0,
    stddev=1.0,
    seed=None,
    dtype=tf.float32
)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

• tf.random_uniform_initializer()、tf.uniform_unit_scaling_initializer()

# 生成均匀分布的随机数
tf.random_uniform_initializer(
    minval=0,
    maxval=None,
    seed=None,
    dtype=tf.float32
)


# 和均匀分布差不多，只是这个初始化方法不需要指定最小最大值，是通过计算出来的
# 它的分布区间为[-max_val, max_val]
tf.uniform_unit_scaling_initializer(
    factor=1.0,
    seed=None,
    dtype=tf.float32
)

max_val = math.sqrt(3 / input_size) * self.factor
# input size is obtained by multiplying W's all dimensions but the last one
# for a linear layer factor is 1.0, relu: ~1.43, tanh: ~1.15

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20

• tf.variance_scaling_initializer()

tf.variance_scaling_initializer(
    scale=1.0,
    mode='fan_in',
    distribution='normal',
    seed=None,
    dtype=tf.float32
)

# 初始化参数
scale: Scaling factor (positive float).
mode: One of "fan_in", "fan_out", "fan_avg".
distribution: Random distribution to use. One of "normal", "uniform".

# 1、当 distribution="normal" 的时候：
生成 truncated normal distribution（截断正态分布）的随机数，其中mean = 0, stddev = sqrt(scale / n)，
n 的计算与 mode 参数有关：
    如果mode = "fan_in"， n 为输入单元的结点数         
    如果mode = "fan_out"，n 为输出单元的结点数
    如果mode = "fan_avg",n 为输入和输出单元结点数的平均值

# 2、当distribution="uniform”的时候：
生成均匀分布的随机数，假设分布区间为[-limit, limit]，则limit = sqrt(3 * scale / n)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22

• tf.glorot_uniform_initializer()、tf.glorot_normal_initializer() 
  

   为了使得在经过多层网络后，信号不被过分放大或过分减弱，我们尽可能保持每个神经元的 输入和输出的方差一致! 从数学角度来讲，就是让权重满足 均值为 0， 方差为 2fanin+fanout2fanin+fanout，随机分布的形式可以为 均匀分布或者高斯分布。

# 又称 Xavier uniform initializer
tf.glorot_uniform_initializer(
    seed=None,
    dtype=tf.float32
)

# It draws samples from a uniform distribution within [a=-limit, b=limit] 
limit： sqrt(6 / (fan_in + fan_out)) 
fan_in：the number of input units in the weight tensor 
fan_out：the number of output units in the weight tensor
mean = (b + a) / 2
stddev = (b - a)**2 /12

# 又称 Xavier normal initializer
tf.glorot_normal_initializer(
    seed=None,
    dtype=tf.float32
)

# It draws samples from a truncated normal distribution centered on 0 with 
# stddev = sqrt(2 / (fan_in + fan_out)) 
fan_in：the number of input units in the weight tensor 
fan_out：the number of output units in the weight tensor

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23

---

三、 Tensor 初始化及访问

---

1、Constants 初始化

• Constants are initialized when you call tf.constant, and their value can never change.

---

2、Variables 初始化

• Variables are not initialized when you call tf.Variable. To initialize all the variables in a TensorFlow program, you must explicitlycall a special operation as follows:

# 变量使用前一定要初始化
init = tf.global_variables_initializer() # 初始化全部变量
sess.run(init)

# 使用变量的 initializer 属性初始化
sess.run(v.initializer)

• 1
• 2
• 3
• 4
• 5
• 6

• 用另一个变量的初始化值给当前变量初始化 
  
  • 由于tf.global_variables_initializer()是并行地初始化所有变量，所以直接使用另一个变量的初始化值来初始化当前变量会报错(因为你用另一个变量的值时，它没有被初始化)
  • 在这种情况下需要使用另一个变量的initialized_value()属性。你可以直接把已初始化的值作为新变量的初始值，或者把它当做tensor计算得到一个值赋予新变量。

# Create a variable with a random value.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights")

# Create another variable with the same value as 'weights'.
w2 = tf.Variable(weights.initialized_value(), name="w2")

# Create another variable with twice the value of 'weights'
w_twice = tf.Variable(weights.initialized_value() * 0.2, name="w_twice")

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8

• 改变变量的值：通过 TF 中的赋值操作,update = tf.assign(old_variable, new_value) or v.assign(new_value)

---

3、Tensor 的访问

• 索引 
  
  • 一维 Tensor 的索引和 Python 列表类似(可以逆序索引(arr[ : : -1])和负索引arr[-3])
  • 二维 Tensor 的索引： arr[i, j] == arr[i][j]
  • 在多维 Tensor 中，如果省略了后面的索引，则返回的对象会是一个维度低一点的ndarray(但它含有高一级维度上的某条轴上的所有数据)
  • 条件索引：arr[conditon] # conditon 可以使用 & | 进行多条件组合
• 切片 
  
  • 一维 Tensor 的切片和 Python 列表类似
  • 二维 Tensor 的索引：arr[r1:r2, c1:c2:step] # 也可指定 step 进行切片

---

四、Tensor 常用属性

• dtype 
  
  • tf.float32/64、tf.int8/16/32/64
  • tf.string、tf.bool、tf.complex64、tf.qint8
  • 不带小数点的数会被默认为tf.int32，带小数点的会默认为tf.float32
  • 可使用tf.cast(x, dtype, name=None)转换数据类型

• shape

  • Tensor 的 shape 刻画了张量每一维的长度，张量的维数由tf.rank(tensor)来表示 
    

  • 取得Tensor shape 的值

    • 使用shape 属性或者 get_shape() 方法， This method returns a TensorShape object This can be used for debugging, and providing early error messages
    • 设计计算图时，使用tf.shape()函数， returns a tensor
    • Use batch_size = tf.shape(input)[0] to extract the batch dimension from a Tensor called input, and store it in a Tensor called batch_size.
  • 改变 Tensor shape 
    
    • 使用tf.reshape(tensor, shape, name=None)函数：返回一个新的 tensor，shape 中的某一维可以用-1指定让 reshape 函数取自动计算此维的长度
    • 使用 Tensor.set_shape() 方法：In some cases, the inferred shape may have unknown dimensions. If the caller hasadditional information about the values of these dimensions, Tensor.set_shape() can be used to augment the inferred shape. 
      
  • passing in the value None as a shape (instead of using a list/tuple that contains None), will tell TensorFlow to allow a tensor of any shape

• name

  • eg: w1 = tf.Variable(tf.random_normal([2, 3], stddev=1), name='weight1'), 这里面定义了变量 w1，为什么又给了它一个 name='weight1'？ 这个 tensor 中的 name 属性和其变量名有什么区别呢？为什么要这样做呢？
  • 答：w1是代码中的变量名，代码中都用这个。name='weight1'这个是参数名(权重)，在参数存储或读取的时候使用，方便在其它环境(C++等)中部署。还有个作用是跟 scope 配合使用的，用于参数共享。

• op

  • The Operation that produces this tensor as an output.
• device 
  
  • The name of the device on which this tensor will be produced, or None.
• graph 
  
  • The Graph that contains this tensor.

---

五、Tensor 常用方法

• eval(feed_dict=None, session=None) 
  
  • Evaluates this tensor in a Session，
  • If session=none, the default session will be used.
• get_shape() 
  
  • Alias of Tensor.shape
• set_shape(shape) 
  
  • It can be used to provide additional information about the shape of this tensor that cannot be inferred from the graph alone

_, image_data = tf.TFRecordReader(...).read(...)
image = tf.image.decode_png(image_data, channels=3)

# The height and width dimensions of `image` are data dependent, and
# cannot be computed without executing the op.
print(image.shape)
==> TensorShape([Dimension(None), Dimension(None), Dimension(3)])

# We know that each image in this dataset is 28 x 28 pixels.
image.set_shape([28, 28, 3])
print(image.shape)
==> TensorShape([Dimension(28), Dimension(28), Dimension(3)])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12

---

六、Tensor 变换常用方法

1.Casting：数据类型转换

tf.string_to_number(string_tensor, out_type=None, name=None)
tf.to_double(x, name='ToDouble')
tf.to_float(x, name='ToFloat')
tf.to_int32(x, name='ToInt32')
tf.to_int64(x, name='ToInt64')


tf.cast(x, dtype, name=None)  # Casts a tensor to a new type
# tensor `a` is [1.8, 2.2], dtype=tf.float
tf.cast(a, tf.int32) ==> [1, 2]  # dtype=tf.int32


# 其它
tf.bitcast
tf.saturate_cast
tf.to_bfloat16

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

---

2. Shapes and Shaping：取得张量形状和改变张量形状

# 改变 Tensor 的形状
tf.reshape(tensor, shape, name=None)
# Flatten：令 shape=[-1] 即可
# Reshape：shape 乘积不变即可，当某一维传入-1时，它会自动推得此维度的大小


# 转置
tf.transpose(a, perm=None, name='transpose')


# 返回 tensor 各个维度的大小
tf.shape(input, name=None)  
# 't' is [[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]
sess.run(tf.shape(t)) ==> array([2, 2, 3], dtype=int32)   # 必须要 run 才能得出结果
# 亦可以使用 TF 变量对象 Var 的get_shape() 方法来实现Var.get_shape() 


# 返回 tensor 中元素的总数
tf.size(input, name=None)  


# 返回 Tensor 的维度(轴)的个数，类似于 Numpy 中的 ndim 属性
tf.rank(input, name=None)


# inserts a dimension of 1 into a tensor's shape
tf.expand_dims(
    input,
    axis=None,
    name=None,
)
# 例1，'t' is a tensor of shape [2]
tf.shape(tf.expand_dims(t, 0))  # [1, 2]
tf.shape(tf.expand_dims(t, 1))  # [2, 1]
tf.shape(tf.expand_dims(t, -1))  # [2, 1]，支持负索引

# 例2，'t2' is a tensor of shape [2, 3, 5]
tf.shape(tf.expand_dims(t2, 0))  # [1, 2, 3, 5]， make it a batch of 1 image
tf.shape(tf.expand_dims(t2, 2))  # [2, 3, 1, 5]
tf.shape(tf.expand_dims(t2, 3))  # [2, 3, 5, 1]


# 若 axis 没指定，则移除 shape 中所有的 1，若指定某个轴，则只移除相应位置shape 中的 1 
tf.squeeze(
    input,
    axis=None,
    name=None,
)
# 例1，'t' is a tensor of shape [1, 2, 1, 3, 1, 1]
tf.shape(tf.squeeze(t))  # [2, 3]

# 例2， remove specific size 1 dimensions
tf.shape(tf.squeeze(t, axis=[2, 4]))  # [1, 2, 3, 1]


# 其它
tf.broadcast_dynamic_shape
tf.broadcast_static_shape
tf.shape_n
tf.meshgrid

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60

---

3. Slicing and Joining：切片和连接

• 切片：可使用 TF 函数实现，也可使用 python 原始切片方式实现(切出 1 份)

tf.slice(input_, begin, size, name=None)
# begin(zero-based)：切片的起点坐标，一般用 list 来表示
# size(one-based)：切出多大，size[i] is the number of elements of the 'i'th dimension of input that you want to slice
# If size[i] is -1, all remaining elements in dimension i are included in the slice

For example:
# 'input' is [[[1, 1, 1], [2, 2, 2]],
#             [[3, 3, 3], [4, 4, 4]],
#             [[5, 5, 5], [6, 6, 6]]]
tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]]
tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> [[[3, 3, 3],  
                                            [4, 4, 4]]]
tf.slice(input, [1, 0, 0], [2, 1, -1]) ==> [[[3, 3, 3]],
                                           [[5, 5, 5]]]
# 亦可以使用 python 原始切片方式实现，eg: input[1, 0:2, 0:3]和第三个效果相同

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15

• 分割：沿着坐标轴将 Tensor 分割成尺寸相同的 n 等份或者尺寸不同的 n 份

tf.split(value, num_or_size_splits, axis=0, num=None, name='split')
# num_or_size_splits 
integer：splits value along dimension axis into integer smaller tensors
list：plits value along dimension axis into len(list) smaller tensors.等份每一份的大小是list[i] 

For example:
# 'value' is a tensor with shape [5, 30]
# Split 'value' into 3 tensors with sizes [4, 15, 11] along dimension 1
split0, split1, split2 = tf.split(value, [4, 15, 11], 1)
tf.shape(split0) ==> [5, 4]
tf.shape(split1) ==> [5, 15]
tf.shape(split2) ==> [5, 11]
# Split 'value' into 3 tensors along dimension 1
split0, split1, split2 = tf.split(value, num_or_size_splits=3, axis=1)
tf.shape(split0) ==> [5, 10]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15

• 连接：沿着某坐标轴连接 N 个张量(Numpy 连接传入的是 tuple, 此处为 list )

tf.concat(values, axis, name='concat')  # 维度不变 
For example:
t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 1) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat([t3, t4], 0)) ==> [4, 3]
tf.shape(tf.concat([t3, t4], 1)) ==> [2, 6]


tf.stack(values, axis, name='concat')  # 维度+1
# Stacks a list of rank-R tensors into one rank-(R+1) tensor
# Given a list of length N=2 of tensors of shape (3, 3);
if axis == 0 then the output tensor will have the shape (N, 3, 3). 
if axis == 1 then the output tensor will have the shape (3, N, 3).
if axis == 1 then the output tensor will have the shape (3, 3, N).

a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

b = np.array([[ 2,  4,  6],
              [ 8, 10, 12],
              [14, 16, 18]])

# Note: 做 stack 之前把 a, b 的维度+1变为(1, 3, 3) 
# 沿着 x 轴(垂直向下)连接 a, b 的第 0 维元素
sess.run(tf.stack([a,b], axis=0))
array([[[ 1,  2,  3],
        [ 4,  5,  6],
        [ 7,  8,  9]],

       [[ 2,  4,  6],
        [ 8, 10, 12],
        [14, 16, 18]]])

# 沿着 y 轴(水平向右)连接 a, b 的第 1 维元素
sess.run(tf.stack([a,b], axis=1)) 
array([[[ 1,  2,  3],
        [ 2,  4,  6]],

       [[ 4,  5,  6],
        [ 8, 10, 12]],

       [[ 7,  8,  9],
        [14, 16, 18]]])

# 沿着 z 轴(竖直向上)连接 a, b 的第 2 维元素
sess.run(tf.stack([a,b], axis=2))
array([[[ 1,  2],
        [ 2,  4],
        [ 3,  6]],

       [[ 4,  8],
        [ 5, 10],
        [ 6, 12]],

       [[ 7, 14],
        [ 8, 16],
        [ 9, 18]]])

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63

• 补零

tf.pad(tensor, paddings, mode='CONSTANT', name=None)
paddings： is an integer tensor with shape [n, 2]，n是 tensor 的维度
For example:
# 't' is [[1, 2, 3], [4, 5, 6]].
# 'paddings' is [[1, 1,], [2, 2]].
# paddings[0, 0/1]: 沿着第 0 维(x轴)在 tensor 上方/下方补 1 圈零
# paddings[1, 0/1]: 沿着第 1 维(y轴)在 tensor 左方/右方补 2 圈零
tf.pad(t, paddings, "CONSTANT") ==> [[0, 0, 0, 0, 0, 0, 0],
                                     [0, 0, 1, 2, 3, 0, 0],
                                     [0, 0, 4, 5, 6, 0, 0],
                                     [0, 0, 0, 0, 0, 0, 0]]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

• one_hot 向量的生成

tf.one_hot(indices, depth, on_value=1, off_value=0, axis=-1, dtype=None, name=None)
# 将 indices 中的每个元素 j 扩展成一个深度为 depth 的向量，输出维度+1
# 此向量中索引位置 j 的取值为 1,其余位置的取值为 0 
# If indices is a scalar the output shape will be a vector of length depth

# If indices is a vector of length features, the output shape will be:
features x depth if axis == -1
depth x features if axis == 0

# If indices is a matrix (batch) with shape [batch, features], the output shape will be:
batch x features x depth if axis == -1
batch x depth x features if axis == 1
depth x batch x features if axis == 0

# 使用onehot的直接原因是：现在多分类cnn网络的输出通常是softmax层，而它的输出是一个概率分布
# 从而要求输入的标签也以概率分布的形式出现，进而计算交叉熵之类

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16

• 其它

tf.extract_image_patches
tf.strided_slice
tf.tile
tf.parallel_stack
tf.unstack
tf.reverse_sequence
tf.reverse
tf.reverse_v2
tf.space_to_batch_nd
tf.space_to_batch
tf.required_space_to_batch_paddings
tf.batch_to_space_nd
tf.batch_to_space
tf.space_to_depth
tf.depth_to_space
tf.gather
tf.gather_nd
tf.unique_with_counts
tf.scatter_nd
tf.dynamic_partition
tf.dynamic_stitch
tf.boolean_mask
tf.sequence_mask
tf.dequantize
tf.quantize_v2
tf.quantized_concat
tf.setdiff1d

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27

---

七、Numpy VS TensorFLow

• 相同点：Both are N-d array libraries，创建、访问、常用属性和方法都非常相似
• 不同点： 
  
  • Numpy has Ndarray support, but doesn’t offer methods to create tensor functions and automatically compute derivatives (+ no GPU support)
  • Numpy 方法中 shape 通常传入的是一个 tuple, 而 Tensor 中shape 通常传入一个 list 
    
  • 文章转自:https://blog.csdn.net/mzpmzk/article/details/78636137,如需要删除，请先联系，感谢