【Tensorflow】TensorFlow2.0高阶操作演示

合并与分割

• tf.concat([a, b], axis)
  沿着axis轴（维度）拼接若干个张量，必须保证参与拼接的各个张量除需要拼接的维度其他维度必须一致，concat不会创建新的维度，而是在原来的维度上累加。
  
• tf.stack([a, b], axis)
  拼接若干个张量（必须每个维度都是一致的），在指定的axis位置创建新的维度。
  
• tf.unstack(a, axis)
  在指定的轴上将张量分离，指定轴维度为多少则分离为多少个张量。
  
• tf.split(a, axis, num_or_size_splits)
  在指定维度上分离张量，如果num_or_size_splits给出的是整型数则均分为多个张量，如果给定的是列表，则按照列表的内容划分。
  

数据统计

• tf.norm(a, ord, axis)范数
  沿着axis轴，求解张量a的ord范数。（ord表示范数类似，1范数、2范数、无穷范数等，不指定ord则默认二范数）
  
• tf.reduce_min/max/mean(a, axis)最值均值
  在指定维度上计算最值和均值，若不指定axis，则将张量当成向量处理。
  
• tf.argmax/min(a, axis)最值位置
  在指定维度上计算最值的位置下标，不指定axis，则在第一个维度上进行计算。
• tf.equal(a, b)等值判断
  两个张量对应位置比较是否值相等，返回与进行比较的两个张量同shape的张量，该位置相等为True，不等为False。
  
• tf.unique(a)张量去重
  返回一个Unique类型的变量，包含两个Tensor，一个是去重后的Tensor，一个是原Tensor中每个元素在去重后Tensor中的下标。根据返回的下标可以通过gather方法得到去重前Tensor。
  

张量排序

• tf.sort(a, direction)/tf.argsort(a, direction)
  按照指定的升序或者降序方向，对张量进行排序。当张量的维度大于1时，默认对最后一个维度进行排序。
  
• tf.math.top_k(a, k)
  找到k个最大或者最小值，返回值和该值所在下标。
  

填充与复制

• tf.pad(a, [[A, B], [A, B],...])
  [A, B]表示每个维度的前后是否padding， 1表示填充，0表示不填充。
  
• tf.tile(a, multiples)
  multiples用一个列表传入，表示各个维度复制多少次，最小为1。一般，能使用broadcast的情形不建议使用tile，因为broadcast不会因为复制而多占用内存，TensorFlow中很多运算符是默认支持broadcast的。
  

张量限幅

• tf.maximum(a, num)/tf.minimum(a, num)
  将张量一边用阈值限定，超过则元素置为阈值。缺点是该函数只能限制一边。
  
• tf.clip_by_value(a, min, max)
  将张量的元素值限制在[min, max]之间，比min小的设为min值，比max大的设为max值。
  
• tf.clip_by_norm(a, norm)
  根据范数值进行限幅，保证梯度方向不变，模改变的常见手段。
  
• tf.clip_by_global_norm(a, norm)
  根据范数值，整体同比例缩放梯度值。

高阶操作

• tf.where(a)/tf.where(cond, A, B)
  前者用法，返回张量中为True的具体下标，下标的格式依据张量的维度而定，配合gather方法可以定位异常值。
  后者用法，依据条件张量，为True的位置从A取值，不满足从B取值，返回最终张量。
  
• tf.scatter_nd(indices, updates, shape)
  在给定shape的底板张量（全0）上，indices标明位置更新为updates值。
  
• tf.meshgrid(x, y)
  组合x和y张量，生成分布存储的组合结果。有效避免了Python循环的使用，且能支持GPU运算。