【tensorflow2.0】张量的结构操作

import tensorflow as tf
 numpy as np 
a = tf.constant([1,2,3],dtype = tf.float32)
tf.print(a)

b = tf.range(1,10,delta = 2)
tf.print(b)

c = tf.linspace(0.0,2*3.14,100print(c)

d = tf.zeros([3,3])
tf.print(d)

a = tf.ones([3,1)">])
b = tf.zeros_like(a,dtype=print(a)
tf.print(b)

b = tf.fill([3,2],5print(b)

# 均匀分布随机
tf.random.set_seed(1.0)
a = tf.random.uniform([5],minval=0,maxval=10print(a)

 正态分布随机
b = tf.random.normal([3,mean=0.0,stddev=1.0print(b)

 正态分布随机，剔除2倍方差以外数据重新生成
c = tf.random.truncated_normal((5,5),stddev=1.0,1)">tf.float32)
tf.print(c)

 特殊矩阵
I = tf.eye(3,3) 单位矩阵
tf.(I)
tf.print(" ")
t = tf.linalg.diag([1,3]) 对角阵
tf.print(t)

tf.random.set_seed(3)
t = tf.random.uniform([5,5],maxval=10,1)">tf.int32)
tf.print(t)

 第0行
tf.print(t[0])

 倒数第一行
tf.print(t[-1])

 第1行第3列
tf.print(t[1,1)">print(t[1][3])

 第1行至第3行
tf.print(t[1:4,:])
tf.print(tf.slice(t,[1,0],[3,5])) tf.slice(input,begin_vector,size_vector)

 第1行至最后一行，第0列到最后一列每隔两列取一列
tf.print(t[1:4,:4:2])

 对变量来说，还可以使用索引和切片修改部分元素
x = tf.Variable([[1,4]],1)"> tf.float32)
x[1,:].assign(tf.constant([0.0,0.0]))
tf.print(x)

a = tf.random.uniform([3,3,1)">print(a)

 省略号可以表示多个冒号
tf.print(a[...,1])

scores = tf.random.uniform((4,7),maxval=100,1)">print(scores)

 抽取每个班级第0个学生，第5个学生，第9个学生的全部成绩
p = tf.gather(scores,[0,5,9],axis=1print(p)

 抽取每个班级第0个学生，第5个学生，第9个学生的第1门课程，第3门课程，第6门课程成绩
q = tf.gather(tf.gather(scores,axis=1),6],axis=2print(q)

 抽取第0个班级第0个学生，第2个班级的第4个学生，第3个班级的第6个学生的全部成绩
# indices的长度为采样样本的个数，每个元素为采样位置的坐标
s = tf.gather_nd(scores,indices = [(0,0),(2,4),(3,6)])

 抽取每个班级第0个学生，第5个学生，第9个学生的全部成绩
p = tf.boolean_mask(scores,[True,False,True,True],axis=1 抽取第0个班级第0个学生，第2个班级的第4个学生，第3个班级的第6个学生的全部成绩
s =print(s)

 利用tf.boolean_mask可以实现布尔索引
 
 找到矩阵中小于0的元素
c = tf.constant([[-1,1,-1],[2,-2],-3,3]],1)">print(c,"n)
 
tf.print(tf.boolean_mask(c,c<0),1)">) 
tf.print(c[c<0]) 布尔索引，为boolean_mask的语法糖形式

 找到张量中小于0的元素,将其换成np.nan得到新的张量 tf.where和np.where作用类似，可以理解为if的张量版本
 
c = tf.constant([[-1,1)">tf.float32)
d = tf.where(c<0,tf.fill(c.shape,np.nan),c) 

 如果where只有一个参数，将返回所有满足条件的位置坐标
indices = tf.where(c<0)
indices

 将张量的第[0,0]和[2,1]两个位置元素替换为0得到新的张量
d = c - tf.scatter_nd([[0,1]],[c[0,c[2,1]],c.shape)

 scatter_nd的作用和gather_nd有些相反 可以将某些值插入到一个给定shape的全0的张量的指定位置处。
indices = tf.where(c<0)
tf.scatter_nd(indices,tf.gather_nd(c,indices),?numpy=
array([[-1.,
???????[?0.,?-3.,??0.]],?dtype=float32)>

三，维度变换

维度变换相关函数主要有 tf.reshape,tf.squeeze,tf.expand_dims,tf.transpose.

tf.reshape 可以改变张量的形状。

tf.squeeze 可以减少维度。

tf.expand_dims 可以增加维度。

tf.transpose 可以交换维度。

tf.reshape可以改变张量的形状，但是其本质上不会改变张量元素的存储顺序，所以，该操作实际上非常迅速，并且是可逆的。

a = tf.random.uniform(shape=[1,2],minval=0,maxval=255,1)">(a.shape)
tf.print(a)

TensorShape([1,?3,?2])
[[[[135?178]
???[26?116]
???[29?224]]
?
??[[179?219]
???[153?209]
???[111?215]]
?
??[[39?7]
???[138?129]
???[59?205]]]]

 改成 （3,6）形状的张量
b = tf.reshape(a,6(b.shape)
tf.print(b)

TensorShape([3,?6])
[[135?178?26?116?29?224]
?[179?219?153?209?111?215]
?[39?7?138?129?59?205]]

 改回成 [1,2] 形状的张量
c = tf.reshape(b,1)">print(c)

[[[[135?178]
???[26?116]
???[29?224]]
?
??[[179?219]
???[153?209]
???[111?215]]
?
??[[39?7]
???[138?129]
???[59?205]]]]

如果张量在某个维度上只有一个元素，利用tf.squeeze可以消除这个维度。

和tf.reshape相似，它本质上不会改变张量元素的存储顺序。

张量的各个元素在内存中是线性存储的，其一般规律是，同一层级中的相邻元素的物理地址也相邻。

s = tf.squeeze(a)
tf.(s.shape)
tf.print(s)

TensorShape([3,?2])
[[[135?178]
??[26?116]
??[29?224]]
?
?[[179?219]
??[153?209]
??[111?215]]
?
?[[39?7]
??[138?129]
??[59?205]]]

d = tf.expand_dims(s,axis=0) 在第0维插入长度为1的一个维度

<tf.Tensor:?shape=(1,?numpy=
array([[[[135,?178],
?????????[?26,?116],
?????????[?29,?224]],
?
????????[[179,?219],
?????????[153,?209],
?????????[111,?215]],
?
????????[[?39,???7],
?????????[138,?129],
?????????[?59,?205]]]],?dtype=int32)>

tf.transpose可以交换张量的维度，与tf.reshape不同，它会改变张量元素的存储顺序。

tf.transpose常用于图片存储格式的变换上。

 Batch,Height,Width,Channel
a = tf.random.uniform(shape=[100,600,4],1)">(a.shape)
 
 转换成 Channel,Batch
s= tf.transpose(a,perm=[3,0])
tf.print(s.shape)

TensorShape([100,?600,?4])
TensorShape([4,?100])

四，合并分割

和numpy类似，可以用tf.concat和tf.stack方法对多个张量进行合并，可以用tf.split方法把一个张量分割成多个张量。

tf.concat和tf.stack有略微的区别，tf.concat是连接，不会增加维度，而tf.stack是堆叠，会增加维度。

a = tf.constant([[1.0,2.0],[3.0,4.0]])
b = tf.constant([[5.0,6.0],[7.0,8.0]])
c = tf.constant([[9.0,10.0],[11.0,12.0]])
 
tf.concat([a,b,c],axis = 0)

<tf.Tensor:?shape=(6,?numpy=
array([[?1.,??2.],??4.],
???????[?5.,??6.],
???????[?7.,??8.],
???????[?9.,?10.],
???????[11.,?12.]],?dtype=float32)>

tf.concat([a,axis = 1)

<tf.Tensor:?shape=(2,?6),??5.,??6.,??9.,??4.,??7.,??8.,?11.,?dtype=float32)>

tf.stack([a,c])

<tf.Tensor:?shape=(3,?2,?numpy=
array([[[?1.,
????????[?3.,??4.]],
?
???????[[?5.,
????????[?7.,??8.]],
?
???????[[?9.,
????????[11.,?12.]]],?dtype=float32)>

tf.stack([a,axis=1)

<tf.Tensor:?shape=(2,
????????[?5.,
????????[?9.,?10.]],
?
???????[[?3.,?dtype=float32)>

a = tf.constant([[1.0,1)">]])
 
c = tf.concat([a,axis = 0)

tf.split是tf.concat的逆运算，可以指定分割份数平均分割，也可以通过指定每份的记录数量进行分割。

 tf.split(value,num_or_size_splits,axis)
tf.split(c,axis = 0)  指定分割份数，平均分割

[<tf.Tensor:?shape=(2,?numpy=
?array([[1.,?2.],
????????[3.,?4.]],?dtype=float32)>,
?<tf.Tensor:?shape=(2,?numpy=
?array([[5.,?6.],
????????[7.,?8.]],?numpy=
?array([[?9.,?dtype=float32)>]

tf.split(c,axis = 0) 指定每份的记录数量

[<tf.Tensor:?shape=(2,?dtype=float32)>]

参考：

开源电子书地址：https://lyhue1991.github.io/eat_tensorflow2_in_30_days/

GitHub 项目地址：https://github.com/lyhue1991/eat_tensorflow2_in_30_days

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!