Tensorflow常用函数笔记

---

把一组向量从某一维上拼接起来，很向numpy中的Concatenate，官网例子：

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]

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

其实，如果是list类型的话也是可以的，只要是形似Tensor，最后tf.concat返回的还是Tensor类型

类似于数组的索引，可以把向量中某些索引值提取出来，得到新的向量，适用于要提取的索引为不连续的情况。这个函数似乎只适合在一维的情况下使用。

import tensorflow as tf a = tf.Variable([[1,2,3,4,5], [6,7,8,9,10], [11,12,13,14,15]])index_a = tf.Variable([0,2])b = tf.Variable([1,2,3,4,5,6,7,8,9,10])index_b = tf.Variable([2,4,6,8])with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    print(sess.run(tf.gather(a, index_a)))    print(sess.run(tf.gather(b, index_b)))#  [[ 1  2  3  4  5]#   [11 12 13 14 15]]#  [3 5 7 9]

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

同上，但允许在多维上进行索引，例子只展示了一种很简单的用法，更复杂的用法可见官网。

import tensorflow as tf a = tf.Variable([[1,2,3,4,5], [6,7,8,9,10], [11,12,13,14,15]])index_a = tf.Variable([[0,2], [0,4], [2,2]])with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    print(sess.run(tf.gather_nd(a, index_a)))#  [ 3  5 13]

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

判断函数。首先张量x和张量y的尺寸要相同，输出的tf.greater(x, y)也是一个和x，y尺寸相同的张量。如果x的某个元素比y中对应位置的元素大，则tf.greater(x, y)对应位置返回True，否则返回False。与此类似的函数还有。

import tensorflow as tf x = tf.Variable([[1,2,3], [6,7,8], [11,12,13]])y = tf.Variable([[0,1,2], [5,6,7], [10,11,12]])x1 = tf.Variable([[1,2,3], [6,7,8], [11,12,13]])y1 = tf.Variable([[10,1,2], [15,6,7], [10,21,12]])with tf.Session() as sess:    sess.run(tf.global_variables_initializer())    print(sess.run(tf.greater(x, y)))    print(sess.run(tf.greater(x1, y1)))#  [[ True  True  True]#   [ True  True  True]#   [ True  True  True]]#  [[False  True  True]#   [False  True  True]#   [ True False  True]]

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

转换数据类型。

a = tf.constant([0, 2, 0, 4, 2, 2], dtype='int32')print(a)# 
     
      b = tf.cast(a, 'float32')print(b)# 
      
     

• 1
• 2
• 3
• 4
• 5
• 6
• 7

&

增加 / 压缩张量的维度。

a = tf.constant([0, 2, 0, 4, 2, 2], dtype='int32')print(a)# 
     
      b = tf.expand_dims(a, 0)print(b)# 
      
       print(tf.squeeze(b, 0))# 
       
      
     

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