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:
# 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])>)
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本站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本站！
版权声明：本站文章来源标注为YINGSOO的内容版权均为本站所有，欢迎引用、转载，请保持原文完整并注明来源及原文链接。禁止复制或仿造本网站，禁止在非www.yingsoo.com所属的服务器上建立镜像，否则将依法追究法律责任。本站部分内容来源于网友推荐、互联网收集整理而来，仅供学习参考，不代表本站立场，如有内容涉嫌侵权，请联系alex-e#qq.com处理。
关注官方微信