Tensorflow Python API 翻译(array

xiaoxiao2021-02-28  5

作者:chen_h 微信号 & QQ:862251340 微信公众号:coderpai 简书地址:https://www.jianshu.com/p/00ab12bc357c


计划现将 tensorflow 中的 Python API 做一个学习,这样方便以后的学习。 原文链接

该章介绍有关张量转换的API


数据类型投射

Tensorflow提供了很多的数据类型投射操作,你能将数据类型投射到一个你想要的数据类型上去。


tf.string_to_number(string_tensor, out_type = None, name = None)

解释:这个函数是将一个string的Tensor转换成一个数字类型的Tensor。但是要注意一点,如果你想转换的数字类型是tf.float32,那么这个string去掉引号之后,里面的值必须是一个合法的浮点数,否则不能转换。如果你想转换的数字类型是tf.int32,那么这个string去掉引号之后,里面的值必须是一个合法的浮点数或者整型,否则不能转换。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant('123') print sess.run(data) d = tf.string_to_number(data) print sess.run(d)

输入参数: * string_tensor: 一个string类型的Tensor。 * out_type: 一个可选的数据类型tf.DType,默认的是tf.float32,但我们也可以选择tf.int32或者tf.float32。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型是out_type,数据维度和string_tensor相同。


tf.to_double(x, name = 'ToDouble')

解释:这个函数是将一个Tensor的数据类型转换成float64。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant(123) print sess.run(data) d = tf.to_double(data) print sess.run(d)

输入参数: * x: 一个Tensor或者是SparseTensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor或者SparseTensor,数据类型是float64,数据维度和x相同。

提示: * 错误: 如果x是不能被转换成float64类型的,那么将报错。


tf.to_float(x, name = 'ToFloat')

解释:这个函数是将一个Tensor的数据类型转换成float32。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant(123) print sess.run(data) d = tf.to_float(data) print sess.run(d)

输入参数: * x: 一个Tensor或者是SparseTensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor或者SparseTensor,数据类型是float32,数据维度和x相同。

提示: * 错误: 如果x是不能被转换成float32类型的,那么将报错。


tf.to_bfloat16(x, name = 'ToBFloat16')

解释:这个函数是将一个Tensor的数据类型转换成bfloat16。

译者注:这个API的作用不是很理解,但我测试了一下,输入的x必须是浮点型的,别的类型都不行。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([x for x in range(20)], tf.float32) print sess.run(data) d = tf.to_bfloat16(data) print sess.run(d)

输入参数: * x: 一个Tensor或者是SparseTensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor或者SparseTensor,数据类型是bfloat16,数据维度和x相同。

提示: * 错误: 如果x是不能被转换成bfloat16类型的,那么将报错。


tf.to_int32(x, name = 'ToInt32')

解释:这个函数是将一个Tensor的数据类型转换成int32。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([x for x in range(20)], tf.float32) print sess.run(data) d = tf.to_int32(data) print sess.run(d)

输入参数: * x: 一个Tensor或者是SparseTensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor或者SparseTensor,数据类型是int32,数据维度和x相同。

提示: * 错误: 如果x是不能被转换成int32类型的,那么将报错。


tf.to_int64(x, name = 'ToInt64')

解释:这个函数是将一个Tensor的数据类型转换成int64。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([x for x in range(20)], tf.float32) print sess.run(data) d = tf.to_int64(data) print sess.run(d)

输入参数: * x: 一个Tensor或者是SparseTensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor或者SparseTensor,数据类型是int64,数据维度和x相同。

提示: * 错误: 如果x是不能被转换成int64类型的,那么将报错。


tf.cast(x, dtype, name = None)

解释:这个函数是将一个Tensor或者SparseTensor的数据类型转换成dtype。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([x for x in range(20)], tf.float32) print sess.run(data) d = tf.cast(data, tf.int32) print sess.run(d)

输入参数: * x: 一个Tensor或者是SparseTensor。 * dtype: 目标数据类型。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor或者SparseTensor,数据维度和x相同。

提示: * 错误: 如果x是不能被转换成dtype类型的,那么将报错。


数据维度转换

Tensorflow提供了很多的数据维度转换操作,你能改变数据的维度,将它变成你需要的维度。


tf.shape(input, name = None)

解释:这个函数是返回input的数据维度,返回的Tensor数据维度是一维的。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]) print sess.run(data) d = tf.shape(data) print sess.run(d)

输入参数: * input: 一个Tensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型是int32。


tf.size(input, name = None)

解释:这个函数是返回input中一共有多少个元素。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]) print sess.run(data) d = tf.size(data) print sess.run(d)

输入参数: * input: 一个Tensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型是int32。


tf.rank(input, name = None)

解释:这个函数是返回Tensor的秩。

注意:Tensor的秩和矩阵的秩是不一样的,Tensor的秩指的是元素维度索引的数目,这个概念也被成为order, degree或者ndims。比如,一个Tensor的维度是[1, 28, 28, 1],那么它的秩就是4。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]) print sess.run(data) d = tf.rank(data) print sess.run(tf.shape(data)) print sess.run(d)

输入参数: * input: 一个Tensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型是int32。


tf.reshape(tensor, shape, name = None)

解释:这个函数的作用是对tensor的维度进行重新组合。给定一个tensor,这个函数会返回数据维度是shape的一个新的tensor,但是tensor里面的元素不变。 如果shape是一个特殊值[-1],那么tensor将会变成一个扁平的一维tensor。 如果shape是一个一维或者更高的tensor,那么输入的tensor将按照这个shape进行重新组合,但是重新组合的tensor和原来的tensor的元素是必须相同的。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]]) print sess.run(data) print sess.run(tf.shape(data)) d = tf.reshape(data, [-1]) print sess.run(d) d = tf.reshape(data, [3, 4]) print sess.run(d)

输入参数: * tensor: 一个Tensor。 * shape: 一个Tensor,数据类型是int32,定义输出数据的维度。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和输入数据相同。


tf.squeeze(input, squeeze_dims = None, name = None)

解释:这个函数的作用是将input中维度是1的那一维去掉。但是如果你不想把维度是1的全部去掉,那么你可以使用squeeze_dims参数,来指定需要去掉的位置。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([[1, 2, 1], [3, 1, 1]]) print sess.run(tf.shape(data)) d_1 = tf.expand_dims(data, 0) d_1 = tf.expand_dims(d_1, 2) d_1 = tf.expand_dims(d_1, -1) d_1 = tf.expand_dims(d_1, -1) print sess.run(tf.shape(d_1)) d_2 = d_1 print sess.run(tf.shape(tf.squeeze(d_1))) print sess.run(tf.shape(tf.squeeze(d_2, [2, 4]))) # 't' is a tensor of shape [1, 2, 1, 3, 1, 1] # shape(squeeze(t)) ==> [2, 3] # 't' is a tensor of shape [1, 2, 1, 3, 1, 1] # shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

输入参数: * input: 一个Tensor。 * squeeze_dims: (可选)一个序列,索引从0开始,只移除该列表中对应位的tensor。默认下,是一个空序列[]。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和输入数据相同。


tf.expand_dims(input, dim, name = None)

解释:这个函数的作用是向input中插入维度是1的张量。 我们可以指定插入的位置dim,dim的索引从0开始,dim的值也可以是负数,从尾部开始插入,符合 python 的语法。 这个操作是非常有用的。举个例子,如果你有一张图片,数据维度是[height, width, channels],你想要加入“批量”这个信息,那么你可以这样操作expand_dims(images, 0),那么该图片的维度就变成了[1, height, width, channels]。

这个操作要求: -1-input.dims() <= dim <= input.dims()

这个操作是squeeze()函数的相反操作,可以一起灵活运用。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([[1, 2, 1], [3, 1, 1]]) print sess.run(tf.shape(data)) d_1 = tf.expand_dims(data, 0) print sess.run(tf.shape(d_1)) d_1 = tf.expand_dims(d_1, 2) print sess.run(tf.shape(d_1)) d_1 = tf.expand_dims(d_1, -1) print sess.run(tf.shape(d_1))

输入参数: * input: 一个Tensor。 * dim: 一个Tensor,数据类型是int32,标量。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和输入数据相同,数据和input相同,但是维度增加了一维。


数据抽取和结合

Tensorflow提供了很多的数据抽取和结合的方法。


tf.slice(input_, begin, size, name = None)

解释:这个函数的作用是从输入数据input中提取出一块切片,切片的尺寸是size,切片的开始位置是begin。切片的尺寸size表示输出tensor的数据维度,其中size[i]表示在第i维度上面的元素个数。开始位置begin表示切片相对于输入数据input_的每一个偏移量,比如数据input_是 [[[1, 1, 1], [2, 2, 2]], [[33, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]], begin为[1, 0, 0],那么数据的开始位置是33。因为,第一维偏移了1,其余几位都没有偏移,所以开始位置是33。

操作满足: size[i] = input.dim_size(i) - begin[i] 0 <= begin[i] <= begin[i] + size[i] <= Di for i in [0, n]

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() input = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]]) data = tf.slice(input, [1, 0, 0], [1, 1, 3]) print sess.run(data) data = tf.slice(input, [1, 0, 0], [1, 2, 3]) print sess.run(data) data = tf.slice(input, [1, 0, 0], [2, 1, 3]) print sess.run(data) data = tf.slice(input, [1, 0, 0], [2, 2, 2]) print sess.run(data)

输入参数: * input_: 一个Tensor。 * begin: 一个Tensor,数据类型是int32或者int64。 * size: 一个Tensor,数据类型是int32或者int64。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和input_相同。


tf.split(split_dim, num_split, value, name = 'split')

解释:这个函数的作用是,沿着split_dim维度将value切成num_split块。要求,num_split必须被value.shape[split_dim]整除,即value.shape[split_dim] % num_split == 0。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() input = tf.random_normal([5,30]) print sess.run(tf.shape(input))[0] / 5 split0, split1, split2, split3, split4 = tf.split(0, 5, input) print sess.run(tf.shape(split0))

输入参数: * split_dim: 一个0维的Tensor,数据类型是int32,该参数的作用是确定沿着哪个维度进行切割,参数范围 [0, rank(value))。 * num_split: 一个0维的Tensor,数据类型是int32,切割的块数量。 * value: 一个需要切割的Tensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 从value中切割的num_split个Tensor。


tf.tile(input, multiples, name = None)

解释:这个函数的作用是通过给定的tensor去构造一个新的tensor。所使用的方法是将input复制multiples次,输出的tensor的第i维有input.dims(i) * multiples[i]个元素,input中的元素被复制multiples[i]次。比如,input = [a b c d], multiples = [2],那么tile(input, multiples) = [a b c d a b c d]。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() data = tf.constant([[1, 2, 3, 4], [9, 8, 7, 6]]) d = tf.tile(data, [2,3]) print sess.run(d)

输入参数: * input_: 一个Tensor,数据维度是一维或者更高维度。 * multiples: 一个Tensor,数据类型是int32,数据维度是一维,长度必须和input的维度一样。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和input相同。


tf.pad(input, paddings, name = None)

解释:这个函数的作用是向input中按照paddings的格式填充0。paddings是一个整型的Tensor,数据维度是[n, 2],其中n是input的秩。对于input的中的每一维D,paddings[D, 0]表示增加多少个0在input之前,paddings[D, 1]表示增加多少个0在input之后。举个例子,假设paddings = [[1, 1], [2, 2]]和input的数据维度是[2,2],那么最后填充完之后的数据维度如下:

也就是说,最后的数据维度变成了[4,6]。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() t = tf.constant([[[3,3,],[2,2]]]) print sess.run(tf.shape(t)) paddings = tf.constant([[3,3],[1,1],[2,2]]) print sess.run(tf.pad(t, paddings)).shape

输入参数: * input: 一个Tensor。 * paddings: 一个Tensor,数据类型是int32。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和input相同。


tf.concat(concat_dim, value, name = 'concat')

解释:这个函数的作用是沿着concat_dim维度,去重新串联value,组成一个新的tensor。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf import numpy as np sess = tf.Session() t1 = tf.constant([[1, 2, 3], [4, 5, 6]]) t2 = tf.constant([[7, 8, 9], [10, 11, 12]]) d1 = tf.concat(0, [t1, t2]) d2 = tf.concat(1, [t1, t2]) print sess.run(d1) print sess.run(tf.shape(d1)) print sess.run(d2) print sess.run(tf.shape(d2)) # output [[ 1 2 3] [ 4 5 6] [ 7 8 9] [10 11 12]] [[ 1 2 3 7 8 9] [ 4 5 6 10 11 12]] # tips 从直观上来看,我们取的concat_dim的那一维的元素个数肯定会增加。比如,上述例子中的d1的第0维增加了,而且d1.shape[0] = t1.shape[0]+t2.shape[0]。

输入参数: * concat_dim: 一个零维度的Tensor,数据类型是int32。 * values: 一个Tensor列表,或者一个单独的Tensor。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个重新串联之后的Tensor。


tf.pack(values, name = 'pack')

解释:这个函数的作用是将秩为R的tensor打包成一个秩为R+1的tensor。具体的公式可以表示为:

tf.pack([x, y, z]) = np.asqrray([x, y, z])

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf x = tf.constant([1,2,3]) y = tf.constant([4,5,6]) z = tf.constant([7,8,9]) p = tf.pack([x,y,z]) sess = tf.Session() print sess.run(tf.shape(p)) print sess.run(p)

输入参数: * values: 一个Tensor的列表,每个Tensor必须有相同的数据类型和数据维度。 * name:(可选)为这个操作取一个名字。

输出参数: * output: 一个打包的Tensor,数据类型和values相同。


tf.unpack(value, num = None, name = 'unpack')

解释:这个函数的作用是将秩为R+1的tensor解压成一些秩为R的tensor。其中,num表示要解压出来的tensor的个数。如果,num没有被指定,那么num = value.shape[0]。如果,value.shape[0]无法得到,那么系统将抛出异常ValueError。具体的公式可以表示为:

tf.unpack(x, n) = list(x)

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf x = tf.constant([1,2,3]) y = tf.constant([4,5,6]) z = tf.constant([7,8,9]) p = tf.pack([x,y,z]) sess = tf.Session() print sess.run(tf.shape(p)) pp = tf.unpack(p,3) print sess.run(pp)

输入参数: * value: 一个秩大于0的Tensor。 * num: 一个整型,value的第一维度的值。 * name:(可选)为这个操作取一个名字。

输出参数: * 从value中解压出来的一个Tensor数组。

异常: * ValueError: 如果num没有被正确指定,那么将抛出异常。


tf.reverse_sequence(input, seq_lengths, seq_dim, name = None)

解释:将input中的值沿着第seq_dim维度进行翻转。

这个操作先将input沿着第0维度切分,然后对于每个切片,将切片长度为seq_lengths[i]的值,沿着第seq_dim维度进行翻转。

向量seq_lengths中的值必须满足seq_lengths[i] < input.dims[seq_dim],并且其长度必须是input_dims(0)。

对于每个切片i的输出,我们将第seq_dim维度的前seq_lengths[i]的数据进行翻转。

比如:

# Given this: seq_dim = 1 input.dims = (4, 10, ...) seq_lengths = [7, 2, 3, 5] # 因为input的第0维度是4,所以先将input切分成4个切片; # 因为seq_dim是1,所以我们按着第1维度进行翻转。 # 因为seq_lengths[0] = 7,所以我们第一个切片只翻转前7个值,该切片的后面的值保持不变。 # 因为seq_lengths[1] = 2,所以我们第一个切片只翻转前2个值,该切片的后面的值保持不变。 # 因为seq_lengths[2] = 3,所以我们第一个切片只翻转前3个值,该切片的后面的值保持不变。 # 因为seq_lengths[3] = 5,所以我们第一个切片只翻转前5个值,该切片的后面的值保持不变。 output[0, 0:7, :, ...] = input[0, 7:0:-1, :, ...] output[1, 0:2, :, ...] = input[1, 2:0:-1, :, ...] output[2, 0:3, :, ...] = input[2, 3:0:-1, :, ...] output[3, 0:5, :, ...] = input[3, 5:0:-1, :, ...] output[0, 7:, :, ...] = input[0, 7:, :, ...] output[1, 2:, :, ...] = input[1, 2:, :, ...] output[2, 3:, :, ...] = input[2, 3:, :, ...] output[3, 2:, :, ...] = input[3, 2:, :, ...]

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf sess = tf.Session() input = tf.constant([[1, 2, 3, 4], [3, 4, 5, 6]], tf.int64) seq_lengths = tf.constant([3, 2], tf.int64) seq_dim = 1 output = tf.reverse_sequence(input, seq_lengths, seq_dim) print sess.run(output) sess.close() # output [[3 2 1 4] [4 3 5 6]]

输入参数: * input: 一个Tensor,需要反转的数据。 * seq_lengths: 一个Tensor,数据类型是int64,数据长度是input.dims(0),并且max(seq_lengths) < input.dims(seq_dim)。 * seq_dim: 一个int,确定需要翻转的维度。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和input相同,数据维度和input相同。


tf.reverse(tensor, dims, name = None)

解释:将指定维度中的数据进行翻转。

给定一个tensor和一个bool类型的dims,dims中的值为False或者True。如果dims[i] == True,那么就将tensor中这一维的数据进行翻转。

tensor最多只能有8个维度,并且tensor的秩必须和dims的长度相同,即rank(tensor) == size(dims)。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf sess = tf.Session() input_data = tf.constant([[ [ [ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11] ], [ [12, 13, 14, 15], [16, 17, 18, 19], [20, 21, 22, 23] ] ]]) print 'input_data shape : ', sess.run(tf.shape(input_data)) dims = tf.constant([False, False, False, True]) print sess.run(tf.reverse(input_data, dims)) print "==========================" dims = tf.constant([False, True, False, False]) print sess.run(tf.reverse(input_data, dims)) print "==========================" dims = tf.constant([False, False, True, False]) print sess.run(tf.reverse(input_data, dims)) sess.close()

输入参数: * tensor: 一个Tensor,数据类型必须是以下之一:uint8,int8,int32,bool,float32或者float64,数据维度不超过8维。 * dims: 一个Tensor,数据类型是bool。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和tensor相同,数据维度和tensor相同。


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

解释:将a进行转置,并且根据perm参数重新排列输出维度。

输出数据tensor的第i维将根据perm[i]指定。比如,如果perm没有给定,那么默认是perm = [n-1, n-2, ..., 0],其中rank(a) = n。默认情况下,对于二维输入数据,其实就是常规的矩阵转置操作。

比如:

input_data.dims = (1, 4, 3) perm = [1, 2, 0] # 因为 output_data.dims[0] = input_data.dims[ perm[0] ] # 因为 output_data.dims[1] = input_data.dims[ perm[1] ] # 因为 output_data.dims[2] = input_data.dims[ perm[2] ] # 所以得到 output_data.dims = (4, 3, 1) output_data.dims = (4, 3, 1)

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf sess = tf.Session() input_data = tf.constant([[1,2,3],[4,5,6]]) print sess.run(tf.transpose(input_data)) print sess.run(input_data) print sess.run(tf.transpose(input_data, perm=[1,0])) input_data = tf.constant([[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]]) print 'input_data shape: ', sess.run(tf.shape(input_data)) output_data = tf.transpose(input_data, perm=[1, 2, 0]) print 'output_data shape: ', sess.run(tf.shape(output_data)) print sess.run(output_data) sess.close()

输入参数: * a: 一个Tensor。 * perm: 一个对于a的维度的重排列组合。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个经过翻转的Tensor。


tf.gather(params, indices, name = None)

解释:根据indices索引,从params中取对应索引的值,然后返回。

indices必须是一个整型的tensor,数据维度是常量或者一维。最后输出的数据维度是indices.shape + params.shape[1:]。

比如:

# Scalar indices output[:, ..., :] = params[indices, :, ... :] # Vector indices output[i, :, ..., :] = params[indices[i], :, ... :] # Higher rank indices output[i, ..., j, :, ... :] = params[indices[i, ..., j], :, ..., :]

如果indices是一个从0到params.shape[0]的排列,即len(indices) = params.shape[0],那么这个操作将把params进行重排列。

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf sess = tf.Session() params = tf.constant([6, 3, 4, 1, 5, 9, 10]) indices = tf.constant([2, 0, 2, 5]) output = tf.gather(params, indices) print sess.run(output) sess.close()

输入参数: * params: 一个Tensor。 * indices: 一个Tensor,数据类型必须是int32或者int64。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和params相同。


tf.dynamic_partition(data, partitions, num_partitions, name = None)

解释:根据从partitions中取得的索引,将data分割成num_partitions份。

我们先从partitions.ndim 中取出一个元祖js,那么切片data[js, ...]将成为输出数据outputs[partitions[js]]的一部分。我们将js按照字典序排列,即js里面的值为(0, 0, ..., 1, 1, ..., 2, 2, ..., ..., num_partitions - 1, num_partitions - 1, ...)。我们将partitions[js] = i的值放入outputs[i]。outputs[i]中的第一维对应于partitions.values == i的位置。更多细节如下:

outputs[i].shape = [sum(partitions == i)] + data.shape[partitions.ndim:] outputs[i] = pack([data[js, ...] for js if partitions[js] == i])

data.shape must start with partitions.shape 这句话不是很明白,说说自己的理解。 data.shape(0)必须和partitions.shape(0)相同,即data.shape[0] == partitions.shape[0]。

比如:

# Scalar partitions partitions = 1 num_partitions = 2 data = [10, 20] outputs[0] = [] # Empty with shape [0, 2] outputs[1] = [[10, 20]] # Vector partitions partitions = [0, 0, 1, 1, 0] num_partitions = 2 data = [10, 20, 30, 40, 50] outputs[0] = [10, 20, 50] outputs[1] = [30, 40]

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf sess = tf.Session() params = tf.constant([6, 3, 4, 1, 5, 9, 10]) indices = tf.constant([2, 0, 2, 5]) output = tf.gather(params, indices) print sess.run(output) sess.close()

输入参数: * data: 一个Tensor。 * partitions: 一个Tensor,数据类型必须是int32。任意数据维度,但其中的值必须是在范围[0, num_partitions)。 * num_partitions: 一个int,其值必须不小于1。输出的切片个数。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个数组Tensor,数据类型和data相同。


tf.dynamic_stitch(indices, data, name = None)

解释:这是一个交错合并的操作,我们根据indices中的值,将data交错合并,并且返回一个合并之后的tensor。

如下构建一个合并的tensor:

merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]

其中,m是一个从0开始的索引。如果indices[m]是一个标量或者向量,那么我们可以得到更加具体的如下推导:

# Scalar indices merged[indices[m], ...] = data[m][...] # Vector indices merged[indices[m][i], ...] = data[m][i, ...]

从上式的推导,我们也可以看出最终合并的数据是按照索引从小到大排序的。那么会产生两个问题:1)假设如果一个索引同时存在indices[m][i]和indices[n][j]中,其中(m, i) < (n, j)。那么,data[n][j]将作为最后被合并的值。2)假设索引越界了,那么缺失的位上面的值将被随机值给填补。

比如:

indices[0] = 6 indices[1] = [4, 1] indices[2] = [[5, 2], [0, 3]] data[0] = [61, 62] data[1] = [[41, 42], [11, 12]] data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]] merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42], [51, 52], [61, 62]]

使用例子:

#!/usr/bin/env python # -*- coding: utf-8 -*- import tensorflow as tf sess = tf.Session() indices = [6, [4, 1], [[5, 2], [0, 3]]] data = [[61, 62], [[41, 42], [11, 12]], [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]] output = tf.dynamic_stitch(indices, data) print sess.run(output) # 缺少了第6,第7的位置,索引最后合并的数据中,这两个位置的值会被用随机数代替 indices = [8, [4, 1], [[5, 2], [0, 3]]] output = tf.dynamic_stitch(indices, data) # 第一个2被覆盖了,最后合并的数据是第二个2所指的位置 indices = [6, [4, 1], [[5, 2], [2, 3]]] output = tf.dynamic_stitch(indices, data) print sess.run(output) print sess.run(output) sess.close()

输入参数: * indices: 一个列表,至少包含两Tensor,数据类型是int32。 * data: 一个列表,里面Tensor的个数和indices相同,并且拥有相同的数据类型。 * name:(可选)为这个操作取一个名字。

输出参数: * 一个Tensor,数据类型和data相同。


作者:chen_h 微信号 & QQ:862251340 简书地址:https://www.jianshu.com/p/00ab12bc357c

CoderPai 是一个专注于算法实战的平台,从基础的算法到人工智能算法都有设计。如果你对算法实战感兴趣,请快快关注我们吧。加入AI实战微信群,AI实战QQ群,ACM算法微信群,ACM算法QQ群。长按或者扫描如下二维码,关注 “CoderPai” 微信号(coderpai)

转载请注明原文地址: https://www.6miu.com/read-1600098.html

最新回复(0)