TensorFlow2 一小时学会基本操作 3
https://iamarookie.blog.csdn.net/article/details/117755839
TensorFlow2 基本操作3
合并与分割
tf.concat
tf.concat可以帮助我们实现拼接操作.
格式:
tf.concat(
values, axis, name='concat'
)
参数:
- values: 一个 tensor 或 tensor list- axis: 操作的维度- name: 数据名称, 默认为 “concat” 例子:
part_1 = tf.zeros([5, 3])
print(part_1)
part_2 = tf.ones([5, 3])
print(part_2)
# 竖向拼接
result_1 = tf.concat([part_1, part_2], axis=0)
print(result_1)
# 横向拼接
result_2 = tf.concat([part_1, part_2], axis=1)
print(result_2)
输出结果:
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]], shape=(10, 3), dtype=float32)
tf.Tensor(
[[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]], shape=(5, 6), dtype=float32)
tf.stack
rf.stack可以创建一个新的维度来合并两个张量.
格式:
tf.stack(
values, axis=0, name='stack'
)
参数:
- values: 一个 tensor list- axis: 操作的维度- name: 数据名称, 默认为 “stack” 例子:
part_1 = tf.zeros([5, 3])
print(part_1)
part_2 = tf.ones([5, 3])
print(part_2)
# 头拼接
result_1 = tf.stack([part_1, part_2], axis=0)
print(result_1)
# 尾拼接
result_2 = tf.stack([part_1, part_2], axis=2)
print(result_2)
输出结果:
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]], shape=(2, 5, 3), dtype=float32)
tf.Tensor(
[[[0. 1.]
[0. 1.]
[0. 1.]]
[[0. 1.]
[0. 1.]
[0. 1.]]
[[0. 1.]
[0. 1.]
[0. 1.]]
[[0. 1.]
[0. 1.]
[0. 1.]]
[[0. 1.]
[0. 1.]
[0. 1.]]], shape=(5, 3, 2), dtype=float32)
tf.unstack
tf.unstack是一个矩阵分解函数. 格式:
# unstack
tf.unstack(
value, num=None, axis=0, name='unstack'
)
参数:
- values: 一个 tensor, 维度大于 0- num: 轴的长度- axis: 操作的维度- name: 数据名称, 默认为 “unstack” 例子:
a = tf.stack([tf.zeros([5, 3]), tf.ones([5, 3])], axis=0)
print(a)
b = tf.unstack(a, axis=0)
print(b)
输出结果:
tf.Tensor(
[[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]], shape=(2, 5, 3), dtype=float32)
[<tf.Tensor: shape=(5, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>, <tf.Tensor: shape=(5, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>]
tf.split
tf.split()可以把一个张量划分为几个子张量.
格式:
tf.split(
value, num_or_size_splits, axis=0, num=None, name='split'
)
参数:
- value: 待切分的张量- num_or_size_splits: 切成几份- axis: 操作的维度- num: num_or_size_splits 不能实现的情况下使用- name: 数据名称, 默认为 “split” 例子:
# split
a = tf.stack([tf.zeros([5, 3]), tf.ones([5, 3])], axis=0)
print(a)
b = tf.split(a, 2)
print(b)
输出结果:
tf.Tensor(
[[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]], shape=(2, 5, 3), dtype=float32)
[<tf.Tensor: shape=(1, 5, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]], dtype=float32)>, <tf.Tensor: shape=(1, 5, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]], dtype=float32)>]
数据统计
tf.norm
tf.norm可以帮助我们计算向量, 矩阵, 张量的范数.
格式:
tf.norm(
tensor, ord='euclidean', axis=None, keepdims=None, name=None
)
参数:
- tensor: 输入的张量- ord: 范数的顺序- axis: 操作的维度- keep_dims: 如果为 True, 则 axis 中指定的轴将保持为大小 1- name: 数据名称 例子:
a = tf.fill([2, 2], 2.0)
print(a)
# sqrt(2^2 * 4) = sqrt(16) = 4
b = tf.norm(a)
print(b)
# [2 + 2, 2 + 2] = [4, 4]
c = tf.norm(a, ord=1, axis= 0)
print(c)
# [sqrt(2^2 + 2^2), sqrt(2^2 + 2^2)] = [sqrt(8), sqrt(8)]
d = tf.norm(a, ord=2, axis= 0)
print(d)
输出结果:
tf.Tensor(
[[2. 2.]
[2. 2.]], shape=(2, 2), dtype=float32)
tf.Tensor(4.0, shape=(), dtype=float32)
tf.Tensor([4. 4.], shape=(2,), dtype=float32)
tf.Tensor([2.828427 2.828427], shape=(2,), dtype=float32)
reduce_min/max/mean
计算一个张量各个维度上元素的最小值 / 最大值 / 平均值.
格式:
tf.math.reduce_min / reduce_max / reduce_mean(
input_tensor, axis=None, keepdims=False, name=None
)
参数:
- input_tensor: 传入的张量- axis: 维度, 默认计算所有维度- keepdims: 如果为真保留维度, 默认为 False- name: 数据名称 例子:
a = tf.reshape(tf.range(9), [3, 3])
print(a)
min = tf.reduce_min(a)
print(min)
max = tf.reduce_max(a)
print(max)
输出结果:
tf.Tensor(
[[0 1 2]
[3 4 5]
[6 7 8]], shape=(3, 3), dtype=int32)
tf.Tensor(0, shape=(), dtype=int32)
tf.Tensor(8, shape=(), dtype=int32)
argmax / argmin
tf.argmax/tf.argmin可以帮我们找到最大 / 最小值所在的索引 (index).
格式:
tf.math.argmax(
input, axis=None, output_type=tf.dtypes.int64, name=None
)
参数:
- input: 输入- axis: 操作的维度- output_type: 输出数据类型, 默认为 int64- name: 数据名称 例子:
# argmax / argmin
a = tf.reshape(tf.range(9), [3, 3])
print(a)
max = tf.argmax(a)
print(max)
min = tf.argmin(a)
print(min)
输出结果:
tf.Tensor(
[[0 1 2]
[3 4 5]
[6 7 8]], shape=(3, 3), dtype=int32)
tf.Tensor([2 2 2], shape=(3,), dtype=int64)
tf.Tensor([0 0 0], shape=(3,), dtype=int64)
tf.equal
tf.equal可以帮助我们判断两个张量是否相等. 返回 True / False.
格式:
tf.math.equal(
x, y, name=None
)
例子:
a = tf.zeros(5, dtype=tf.float32)
print(a)
b = tf.range(5, dtype=tf.float32)
print(b)
print(tf.equal(a, b))
输出结果:
tf.Tensor([0. 0. 0. 0. 0.], shape=(5,), dtype=float32)
tf.Tensor([0. 1. 2. 3. 4.], shape=(5,), dtype=float32)
tf.Tensor([ True False False False False], shape=(5,), dtype=bool)
tf.unique
tf.unique可以帮我们找出张量中不重复的值
格式:
tf.unique(
x, out_idx=tf.dtypes.int32, name=None
)
参数:
- input: 输入- output_type: 输出数据类型, 默认为 int32- name: 数据名称 例子:
a = tf.range(5)
print(tf.unique(a))
b = tf.constant([4, 2, 2, 4, 3])
print(tf.unique(b))
输出结果:
Unique(y=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>, idx=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>)
Unique(y=<tf.Tensor: shape=(3,), dtype=int32, numpy=array([4, 2, 3])>, idx=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 1, 0, 2])>)
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2021-12-18，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录