寫(xiě)在前面

本文主要介紹了如下四個(gè)函數(shù)的參數(shù)意義及其函數(shù)用法，如有不恰當(dāng)?shù)牡胤?，還請(qǐng)不吝指正?。?！

• tf.concat( )
• tf.stack( )
• tf.unstack( )
• tf.split( )

一、tf.concat( )函數(shù)

（ 1 ）簡(jiǎn)單介紹

tf.concat() 函數(shù)是 TensorFlow 中用于連接張量的函數(shù)。它可以將多個(gè)張量沿指定的軸連接在一起，形成一個(gè)新的張量。

tf.concat(values, axis)

• values 是一個(gè)張量列表[tensor1, tensor2, tensor3, ...]，表示需要連接的張量。
• axis 是一個(gè)整數(shù)，可正可負(fù)，表示連接軸的方向。

（ 2 ）學(xué)會(huì)使用

分別定義兩個(gè)二維，形狀 shape = (2, 3) 的張量，使它們?cè)诘谝粋€(gè)維度上面拼接,

將第一個(gè)維度的中括號(hào)打開(kāi)：

[ [1, 2, 3], [4, 5, 6] ] ——> [1, 2, 3], [4, 5, 6]

[ [7, 8, 9], [10, 11, 12] ] ——> [7, 8, 9], [10, 11, 12]

合并后中括號(hào)還原：

[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12] ——> [ [1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12] ]

import tensorflow as tf
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]]) 
tensor2 = tf.constant([[7, 8, 9], [10, 11, 12]])
tensor = tf.concat([tensor1, tensor2], 0)
print(tensor.shape) # (4, 3)

如果將上面的兩個(gè)張量在第2個(gè)維度上面拼接，又該怎樣做呢？

在第二個(gè)維度的拼接，不干擾第一個(gè)維度的張量，

將第二個(gè)維度的中括號(hào)打開(kāi)：

[ [1, 2, 3], [4, 5, 6] ] ——> [ 1, 2, 3, 4, 5, 6]

[ [7, 8, 9], [10, 11, 12] ] ——> [ 7, 8, 9, 10, 11, 12]

將1, 2, 3與7, 8, 9對(duì)應(yīng)，將4, 5, 6與10, 11, 12對(duì)應(yīng)拼接，合并后中括號(hào)還原

[ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 10, 11, 12] ——> [ [ 1, 2, 3, 7, 8, 9], [ 4, 5, 6, 10, 11, 12] ]

再舉一個(gè)例子，還是這個(gè)三維的張量理解成【班級(jí)，學(xué)生，科目】，axis 分別對(duì)應(yīng)0, 1, 2，或-3, -2, -1

import tensorflow as tf
# 收集4個(gè)班級(jí)35名學(xué)生的8個(gè)科目的成績(jī)
tensor1 = tf.ones([4, 35, 8])
# 收集2個(gè)班級(jí)35名學(xué)生的8個(gè)科目的成績(jī)
tensor2 = tf.ones([2, 35, 8])
# 在班級(jí)維度上拼接張量，
tensor = tf.concat([tensor1, tensor2], axis=0)
print(tensor.shape)  # 輸出：(6, 35, 8)

理解方式和上面的方法相同，如果單看結(jié)果還是很簡(jiǎn)單的

此函數(shù)操作后不產(chǎn)生新的維度，下面的stack()函數(shù)就會(huì)產(chǎn)生新的維度

二、tf.stack( )函數(shù)

（ 1 ）簡(jiǎn)單介紹

tf.stack() 函數(shù)用于沿新的維度堆疊張量。這個(gè)新維度將用于堆疊其他張量。

tf.stack(values, axis=0,)

• values: 是一個(gè)張量列表[tensor1, tensor2, tensor3, ...]，表示需要連接的張量，它們將沿著新的維度堆疊在一起。這些張量應(yīng)該有相同的形狀。
• axis: 一個(gè)整數(shù)，可正可負(fù)，表示沿哪個(gè)維度堆疊張量。

（ 2 ）代碼示例

import tensorflow as tf
# 創(chuàng)建兩個(gè)形狀都為 [2, 3] 的張量
tensor1 = tf.constant([[1, 2, 3], [4, 5, 6]])
tensor2 = tf.constant([[7, 8, 9], [10, 11, 12]])
# 使用 tf.stack() 函數(shù)沿 axis = 0 將兩個(gè)張量堆疊在一起
stacked_tensor = tf.stack([tensor1, tensor2], axis=0)
print(stacked_tensor)
# 輸出
tf.Tensor(
[[[ 1  2  3]
  [ 4  5  6]]
 [[ 7  8  9]
  [10 11 12]]], shape=(2, 2, 3), dtype=int32)

三、tf.unstack( )函數(shù)

tf.unstack() 用于將輸入的 Tensor 張量沿著指定的軸（axis）進(jìn)行分解。將指定維度全部拆分，該維度的shape是多少就拆分多少個(gè)。

tf.unstack(value, axis)

• value: 一個(gè)多維 Tensor 張量。
• axis: 一個(gè)整數(shù)，表示要將輸入 Tensor 張量沿哪個(gè)軸（axis）進(jìn)行分解。如果 axis 的值為負(fù)數(shù)，則從反向軸（倒數(shù)軸）開(kāi)始分解。如果同時(shí)提供了 axis 和 num 參數(shù)，則優(yōu)先使用 axis 參數(shù)。

（ 2 ）重點(diǎn)理解

tf.unstack 的作用是將輸入的 Tensor 張量沿著指定的軸（axis）分解成多個(gè) Tensor 張量。例如，如果輸入的 Tensor 張量形狀為 [2, 4, 35, 8]，沿軸 8（第四維）進(jìn)行分解，則會(huì)得到8個(gè)形狀為 [2, 4, 35] 的 Tensor 張量。

import tensorflow as tf
tensor1 = tf.ones([4, 35, 8])
tensor = tf.unstack(tensor1, axis=2)
print(tensor[0].shape, tensor[3].shape, tensor[7].shape)
# 輸出：(4, 35) (4, 35) (4, 35)

四、tf.split( )函數(shù)

tf.split() 用于將一個(gè)張量（tensor）沿著指定的軸（axis）拆分為多個(gè)子張量。對(duì)比于tf.unstack()函數(shù)將某個(gè)維度一個(gè)個(gè)拆分，tf.split()就能實(shí)現(xiàn)根據(jù)自己的需求拆分。

tf.split(value, num_or_size_splits, axis)

• value: 一個(gè)多維張量。
• num_or_size_splits: 要拆分的張量數(shù)量或每個(gè)拆分的大小?？梢允且粋€(gè)整數(shù)（表示拆分的數(shù)量）或一個(gè)一維張量（表示每個(gè)拆分的大?。?。
• axis: 一個(gè)整數(shù)，表示沿著哪個(gè)軸進(jìn)行拆分。

1.num_or_size_splits為數(shù)字的情況

import tensorflow as tf
tensor1 = tf.ones([2, 4, 35, 8])
# 拆分為2個(gè)形狀為[2, 4, 35, 4]的張量
tensor = tf.split(tensor1, axis=3, num_or_size_splits=2)
print(tensor[0].shape, tensor[1].shape)  # 輸出：[2, 4, 35, 4] [2, 4, 35, 4] 

2.num_or_size_splits為一維向量的情況

import tensorflow as tf
tensor1 = tf.ones([2, 4, 35, 8])
# 在第三個(gè)軸上，按照2 / 2 / 4 形狀拆分的張量
tensor = tf.split(tensor1, axis=3, num_or_size_splits=[2, 2, 4])
print(tensor[0].shape, tensor[1].shape, tensor[2].shape)
#  輸出：(2, 4, 35, 2) (2, 4, 35, 2) (2, 4, 35, 4)

到此這篇關(guān)于TensorFlow深度學(xué)習(xí)之實(shí)現(xiàn)合并與分割的示例代碼的文章就介紹到這了,更多相關(guān)TensorFlow合并 分割內(nèi)容請(qǐng)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！

最新評(píng)論