tensorflow中的masks()和padding()：tf.sign()、tf.reduce_sum()、axis含义、expand_dims()

mask函数生成的具体内部细节方法

tf.sign()

等价于numpy.sign,除了NaN.

sign(
    x,   #　一个tensor或者sparseTensor
    name=None  # 可选
)
返回数字符号的元素指示

如果x < 0,则有 y = sign(x) = -1；如果x == 0,则有 0 或者tf.is_nan(x)；如果x > 0,则有1.

# 正整数
tf.sign(121) ---> 1
# 正浮点数
tf.sign(121.1) ---> 1.0

# 负整数
tf.sign(-121) ---> -1
# 负浮点
tf.sign(-121.7) ---> -1.0

对于NaN和0输入返回零.

tf.reduce_sum()

关于reduce_sum()或者求和、求整、求平均等等这样的函数，一定要明白axis的含义，这里的axis和numpy中的mean()有一些不同。
可以粗略的理解为 ：

1. 在np.mean()中axis是几，那就表明哪一维度被压缩成1。
2. 在tf.reduce_sum():axis是几，那表明哪一维度被删除掉。
   举例

x = np.random.randn(3,4)
array([[-0.27169034, -1.29395748, -0.83626077, -0.73862962],
       [-0.8269278 , -1.32515378, -0.27239636, -0.49199163],
       [-0.87840893,  0.73217269, -0.59406828,  0.26069466]])
# 测试mean求平均函数
print(np.mean(x, axis=0, keepdims=True))
print(np.mean(x, axis=1, keepdims=True))
[[-0.65900903 -0.62897953 -0.56757514 -0.32330886]] # （1， 4）
[[-0.78513456]    # （3, 1）
 [-0.72911739]
 [-0.11990246]]
# 测试reduce_mean
x_ = tf.convert_to_tensor(x)
sess.run(tf.reduce_sum(x_,axis=0))
# outputs
[ 0.20910891 -3.74189456 -0.5715151   0.97240834]
# 维度(4)
'''
证明了
1. 在`np.mean()`中**axis是几，那就表明哪一维度被压缩成1。**
2. 在`tf.reduce_sum()`:**axis是几，那表明哪一维度被删除掉。**
'''

这样的思想目前适用于所有的情况。

tf.expand_dims()

众所周知的扩展用法，而且只能在边上或者中间进行扩展
例如某个矩阵维度是[2,3,4]，只能在0,1,2,3进行扩展。而且扩展位置维度必然是1，shape会增加。
例：

# 例1
x.shape # [2,3,4]
tf.expand_dims(x,-1)  # [2,3,4,1]
# 例2
tf.expand_dims(x,1)   # [2,1,3,4]

tf.abs()

众所周知的求绝对值的方法，不管是多少维度，所有元素都变成绝对值。

tf.sign()

众所周知的，啊，不好意思，类似三元选择
tf.sign(x, name=None)作用是:

if x > 0: return 1
elif x < 0 : return -1
elif x = 0 : return 0

tf.title()

扩展，众所周知的扩展，shape不变