目錄
- 合并與分割
- tf.concat
- tf.stack
- tf.unstack
- tf.split
- 數(shù)據(jù)統(tǒng)計(jì)
- tf.norm
- reduce_min/max/mean
- argmax / argmin
- tf.equal
- tf.unique
合并與分割
tf.concat
tf.concat
可以幫助我們實(shí)現(xiàn)拼接操作.
格式:
tf.concat(
values, axis, name='concat'
)
參數(shù):
- values: 一個(gè) tensor 或 tensor list
- axis: 操作的維度
- name: 數(shù)據(jù)名稱, 默認(rèn)為 “concat”
例子:
part_1 = tf.zeros([5, 3])
print(part_1)
part_2 = tf.ones([5, 3])
print(part_2)
# 豎向拼接
result_1 = tf.concat([part_1, part_2], axis=0)
print(result_1)
# 橫向拼接
result_2 = tf.concat([part_1, part_2], axis=1)
print(result_2)
輸出結(jié)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
可以創(chuàng)建一個(gè)新的維度來合并兩個(gè)張量.
格式:
tf.stack(
values, axis=0, name='stack'
)
參數(shù):
- values: 一個(gè) tensor list
- axis: 操作的維度
- name: 數(shù)據(jù)名稱, 默認(rèn)為 “stack”
例子:
part_1 = tf.zeros([5, 3])
print(part_1)
part_2 = tf.ones([5, 3])
print(part_2)
# 頭拼接
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)
輸出結(jié)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
是一個(gè)矩陣分解函數(shù).
格式:
# unstack
tf.unstack(
value, num=None, axis=0, name='unstack'
)
參數(shù):
- values: 一個(gè) tensor, 維度大于 0
- num: 軸的長度
- axis: 操作的維度
- name: 數(shù)據(jù)名稱, 默認(rèn)為 “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)
輸出結(jié)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()
可以把一個(gè)張量劃分為幾個(gè)子張量.
格式:
tf.split(
value, num_or_size_splits, axis=0, num=None, name='split'
)
參數(shù):
- value: 待切分的張量
- num_or_size_splits: 切成幾份
- axis: 操作的維度
- num: num_or_size_splits 不能實(shí)現(xiàn)的情況下使用
- name: 數(shù)據(jù)名稱, 默認(rèn)為 “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)
輸出結(jié)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)>]
數(shù)據(jù)統(tǒng)計(jì)
tf.norm
tf.norm
可以幫助我們計(jì)算向量, 矩陣, 張量的范數(shù).
格式:
tf.norm(
tensor, ord='euclidean', axis=None, keepdims=None, name=None
)
參數(shù):
- tensor: 輸入的張量
- ord: 范數(shù)的順序
- axis: 操作的維度
- keep_dims: 如果為 True, 則 axis 中指定的軸將保持為大小 1
- name: 數(shù)據(jù)名稱
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)
輸出結(jié)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
計(jì)算一個(gè)張量各個(gè)維度上元素的最小值 / 最大值 / 平均值.
格式:
tf.math.reduce_min / reduce_max / reduce_mean(
input_tensor, axis=None, keepdims=False, name=None
)
參數(shù):
- input_tensor: 傳入的張量
- axis: 維度, 默認(rèn)計(jì)算所有維度
- keepdims: 如果為真保留維度, 默認(rèn)為 False
- name: 數(shù)據(jù)名稱
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)
輸出結(jié)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
可以幫我們找到最大 / 最小值所在的索引 (index).
格式:
tf.math.argmax(
input, axis=None, output_type=tf.dtypes.int64, name=None
)
參數(shù):
- input: 輸入
- axis: 操作的維度
- output_type: 輸出數(shù)據(jù)類型, 默認(rèn)為 int64
- name: 數(shù)據(jù)名稱
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)
輸出結(jié)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
可以幫助我們判斷兩個(gè)張量是否相等. 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))
輸出結(jié)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
可以幫我們找出張量中不重復(fù)的值
格式:
tf.unique(
x, out_idx=tf.dtypes.int32, name=None
)
參數(shù):
- input: 輸入
- output_type: 輸出數(shù)據(jù)類型, 默認(rèn)為 int32
- name: 數(shù)據(jù)名稱
例子:
a = tf.range(5)
print(tf.unique(a))
b = tf.constant([4, 2, 2, 4, 3])
print(tf.unique(b))
輸出結(jié)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])>)
到此這篇關(guān)于一小時(shí)學(xué)會(huì)TensorFlow2基本操作之合并分割與統(tǒng)計(jì)的文章就介紹到這了,更多相關(guān)TensorFlow2合并分割與統(tǒng)計(jì)內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
您可能感興趣的文章:- 手把手教你使用TensorFlow2實(shí)現(xiàn)RNN
- tensorflow2.0實(shí)現(xiàn)復(fù)雜神經(jīng)網(wǎng)絡(luò)(多輸入多輸出nn,Resnet)
- windows系統(tǒng)Tensorflow2.x簡單安裝記錄(圖文)
- 詳解TensorFlow2實(shí)現(xiàn)前向傳播
- Python強(qiáng)化練習(xí)之Tensorflow2 opp算法實(shí)現(xiàn)月球登陸器