tensorflow常用的张量tensor操作的总结

张量的基本操作就是合并，分裂，降维，升维，切片,索引等等

1、tf.concat(data,concat_dim)

data:[d1,d2..]是一个列表，把d1,d2..的数据按照concat_dim合并起来，不增加也不减少维度

合并的前提是：这些数据除了concat_dim这一个维度外，其他维度都要完全相等才可以。

例子：

t1=tf.ones([2,2,3])
t2=tf.zeros([2,3,3])
t3=tf.ones([2,1,3])

a=tf.concat([t1, t2,t3],1)
sess=tf.Session()
sess.run(a)

array([[[1., 1., 1.],
        [1., 1., 1.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.],
        [0., 0., 0.],
        [0., 0., 0.],
        [0., 0., 0.],
        [1., 1., 1.]]], dtype=float32)

最后张量的维度是[2,2+3+1,3]

a[:,0:2,3]就和t1是一样的

2、tf.squeeze(input, squeeze_dims=None, name=None)

这个是一个降维操作，当squeeze_dims=None时，会把所有大小是1的维度，删除。当squeeze_dims不为空时，删除相应axis对应的维度（但这个axis的大小必须为1，否则会报错。）

假设input的维度为[2,1,1,3,1]，tf.squeeze(input) 会变成[2,3] 。

tf.squeeze(input,squeeze_dims=1) 会变成[2,1,3,1] 

3、tf.expand_dims(input, axis=None, name=None, dim=None)

在axis位置，增加一个大小为1的维度

这个在做广播时非常有用，比如想让维度是[2,3,4,2]和[3,4]的张量相加，由于维度不匹配，没有办法广播。[3,4]应该扩充维度至[1,3,4,1]。

4、tf.slice(input_, begin, size, name=None)

begin, size这两个列表里的元素数应该与维度数一致

5、tf.stack(values, axis=0, name=’stack’)

将一系列维度完全相等的张量合并（这些需要合并的张量名称放在values这个列表里）并在axis处增加一个新的维度

比如 将五个维度大小为[3,4,4]的张量在axis=1上合并，最后的维度变成了[3,5,4,4]

和tf.concat的区分：tf.concat不改变rank,tf.stack会使rank加一

tf.concat需要axis之外的维度完全一样即可，axis维的大小可以不一样。而tf.stack更加严格。

注意：tf 没有numpy的hstack ，vstack

6、tf.unstack(tensor, axis=0)

将张量按照axis维分解为更低阶的。比如将一个大小为[3,4,5]的张量在axis=2上分解,z就变成了5个大小为[3,4]的张量。

7、tf.gather(params, indices, validate_indices=None, name=None)

tf.gather同样也是对张量索引，但和tf.slice相比，它可以不连续索引，但注意这个函数中的params必须是一维的张量。

# Scalar indices, 会降维
output[:, ..., :] = params[indices, :, ... :]

# Vector indices
output[i, :, ..., :] = params[indices[i], :, ... :]

# Higher rank indices，会升维
output[i, ..., j, :, ... :] = params[indices[i, ..., j], :, ..., :]

摘自：https://blog.youkuaiyun.com/danlinxue/article/details/78005176 
 

8、tf.gather_nd(params, indices, validate_indices=None, name=None)

indice每一个元素的rank应该小于等于params的rank.

indices.shape[-1]也就是rank。如果indices某个元素为[2,1,3],而params的大小是[4,4,4,4],那么它索引的就是params[2,1,3,:],得到一个一维张量。索引是按照维度顺序来的。

sess = tf.InteractiveSession()
t2 = [[7, 8, 9], [10, 11, 12],[0,0,0]]
indice=[[1],[2],[0]]#第一行，第二行，第0行；如果indice=[1,2],则说明取的是第一行第二列
tf.gather_nd(t2,indice).eval()

结果为：

array([[10, 11, 12],
       [ 0,  0,  0],
       [ 7,  8,  9]])

P.S.这个函数的特殊点在于： 如果输入是array，输出依然是array，而不会变成张量

9、tf.greater(x,y)

x,y是两个大小相同的张量，返回的也是和他们大小一样的布尔型张量，x对应位置的元素大于y时，对应位置的输出为True.

注意

本文是基于tensorflow1.9版本的文档进行的总结

tf中和张量相关的函数的输入除了张量之外，还接受np的array以及list，但是一旦经过这些函数作用之后，都会变成张量。

补充会话的一个小知识：

而张量只有在sess.run()之后才能得到它具体的值。不过可以用sess = tf.InteractiveSession()，tensor.eval()也可以获取张量的值，tf.InteractiveSession()默认自己就是用户要使用的会话，所以无需sess.run。它和with tf.Session() as sess:起到了相同的作用，不过with语句更好一些，它会执行完自动关闭这个会话，避免内存泄漏。参考博客：https://www.cnblogs.com/cvtoEyes/p/9035047.html

另外，在使用jupyter notebook时，在with tf.Session() as sess:之后的语句一定要print才能看到值,即print(sess.run())，print(tensor.eval())。单纯的sess.run(),tensor.eval()是无法看到结果的。而在其他情况下，比如，sess=tf.Session(),就不用print