自学教程：TensorFlow2基本操作之合并分割与统计

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:

# splita = 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) = 4b = 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 / argmina = 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])>)

到此这篇关于一小时学会TensorFlow2基本操作之合并分割与统计的文章就介绍到这了,更多相关TensorFlow2合并分割与统计内容请搜索51zixue.net以前的文章或继续浏览下面的相关文章希望大家以后多多支持51zixue.net！