Tensorflow2.0笔记 - tensor的合并和分割

主要记录concat,stack,unstack和split相关操作的作用

复制代码
import tensorflow as tf
import numpy as np

tf.__version__

#concat对某个维度进行连接
#假设下面的tensor0和tensor1分别表示4个班级35名同学的8门成绩和两个班级35个同学8门成绩
tensor0 = tf.ones([4,35,8])
tensor1 = tf.ones([2,35,8])
#用concat将第0个维度(班级,axis=0)连接起来,结果是一个[6,35,8]的tensor
#表示6个班级35名同学8门成绩的数据
tensor = tf.concat([tensor0, tensor1], axis=0)
print("=========>tf.concat([tensor0, tensor1], axis=0).shape:", tensor.shape)

#在同学维度进行合并,第1个维度,axis=1
#假设下面的tensor0和tensor1分别表示4个班级32名同学的8门成绩和4个班级3个同学8门成绩
tensor0 = tf.ones([4,32,8])
tensor1 = tf.ones([4,3,8])
#concat合并第一个维度,可以理解为,tensor0先收集到了32名同学的8门成绩
#然后补考的3名同学成绩放到了tensor1上,通过concat进行汇总
tensor = tf.concat([tensor0, tensor1], axis=1)
print("=========>tf.concat([tensor0, tensor1], axis=1).shape:", tensor.shape)

#concat对于维度有要求,对于不是指定axis的维度要相等才能concat
#一个[4,35,8]的tensor和一个[3,15,8]的tensor无法进行concat

#concat对某个维度进行连接
#假设下面的tensor0和tensor1分别表示4个班级35名同学的8门成绩和两个班级35个同学8门成绩
tensor0 = tf.ones([4,35,8])
tensor1 = tf.ones([2,35,8])
#用concat将第0个维度(班级,axis=0)连接起来,结果是一个[6,35,8]的tensor
#表示6个班级35名同学8门成绩的数据
tensor = tf.concat([tensor0, tensor1], axis=0)
print("=========>tf.concat([tensor0, tensor1], axis=0).shape:", tensor.shape)

#在同学维度进行合并,第1个维度,axis=1
#假设下面的tensor0和tensor1分别表示4个班级32名同学的8门成绩和4个班级3个同学8门成绩
tensor0 = tf.ones([4,32,8])
tensor1 = tf.ones([4,3,8])
#concat合并第一个维度,可以理解为,tensor0先收集到了32名同学的8门成绩
#然后补考的3名同学成绩放到了tensor1上,通过concat进行汇总
tensor = tf.concat([tensor0, tensor1], axis=1)
print("=========>tf.concat([tensor0, tensor1], axis=1).shape:", tensor.shape)

#concat对于维度有要求,对于不是指定axis的维度要相等才能concat
#一个[4,35,8]的tensor和一个[3,15,8]的tensor无法进行concat

#unstack和stack操作相反,会对指定维度进行拆分
tensor = tf.ones([3,4,35,8])

#拆分出3个[4,35,8]的tensor
splited = tf.unstack(tensor, axis=0)
print("==========>tf.unstack(tensor, axis=0).shape:", splited[0].shape, splited[1].shape, splited[2].shape)

#拆分出8个[3,4,35]的tensor
splited = tf.unstack(tensor, axis=3)
print("==========>tf.unstack(tensor, axis=3).shape:", 
      splited[0].shape, splited[1].shape, splited[2].shape,
      splited[3].shape, splited[4].shape, splited[5].shape,
      splited[5].shape, splited[6].shape, splited[7].shape)

#拆分出4个[3,35,8]的tensor
splited = tf.unstack(tensor, axis=1)
print("==========>tf.unstack(tensor, axis=1).shape:", splited[0].shape, splited[1].shape, splited[2].shape, splited[3].shape)

#unstack会固定打散指定维度为1
#split则可以指定这个维度划分的比例,通过num_or_size_splits指定
#看个例子就明白了
tensor = tf.ones([2,4,35,8])
#第3个维度划分为2个4维的两个tensor([2,4,35,4]) --- 8 / 2(num_of_size_splits) = 4
splited = tf.split(tensor, axis=3, num_or_size_splits=2)
print("==========>split(tensor, axis=3, num_or_size_splits=2).shape:", splited[0].shape, splited[1].shape)

#将第3个维度按照2,2,4的比例划分,得到3个tensor
splited = tf.split(tensor, axis=3, num_or_size_splits=[2,2,4])
print("==========>split(tensor, axis=3, num_or_size_splits=2).shape:", splited[0].shape, splited[1].shape, splited[2].shape)

运行结果:

相关推荐
张较瘦_7 分钟前
[论文阅读] 人工智能 + 软件工程 | 需求获取访谈中LLM生成跟进问题研究:来龙去脉与创新突破
论文阅读·人工智能
一 铭1 小时前
AI领域新趋势:从提示(Prompt)工程到上下文(Context)工程
人工智能·语言模型·大模型·llm·prompt
云泽野4 小时前
【Java|集合类】list遍历的6种方式
java·python·list
麻雀无能为力4 小时前
CAU数据挖掘实验 表分析数据插件
人工智能·数据挖掘·中国农业大学
时序之心5 小时前
时空数据挖掘五大革新方向详解篇!
人工智能·数据挖掘·论文·时间序列
IMPYLH5 小时前
Python 的内置函数 reversed
笔记·python
.30-06Springfield5 小时前
人工智能概念之七:集成学习思想(Bagging、Boosting、Stacking)
人工智能·算法·机器学习·集成学习
说私域6 小时前
基于开源AI智能名片链动2+1模式S2B2C商城小程序的超级文化符号构建路径研究
人工智能·小程序·开源
永洪科技6 小时前
永洪科技荣获商业智能品牌影响力奖,全力打造”AI+决策”引擎
大数据·人工智能·科技·数据分析·数据可视化·bi
shangyingying_16 小时前
关于小波降噪、小波增强、小波去雾的原理区分
人工智能·深度学习·计算机视觉