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
xiangduanjava3 分钟前
关于安装Ollama大语言模型本地部署工具
人工智能·语言模型·自然语言处理
zzywxc78723 分钟前
AI 正在深度重构软件开发的底层逻辑和全生命周期,从技术演进、流程重构和未来趋势三个维度进行系统性分析
java·大数据·开发语言·人工智能·spring
超龄超能程序猿25 分钟前
(1)机器学习小白入门 YOLOv:从概念到实践
人工智能·机器学习
大熊背35 分钟前
图像处理专业书籍以及网络资源总结
人工智能·算法·microsoft
HuashuiMu花水木38 分钟前
Matplotlib笔记4----------图像处理
图像处理·笔记·matplotlib
3gying40 分钟前
chromedriver
python
江理不变情41 分钟前
图像质量对比感悟
c++·人工智能
DES 仿真实践家2 小时前
【Day 11-N22】Python类(3)——Python的继承性、多继承、方法重写
开发语言·笔记·python
张较瘦_3 小时前
[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4 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