TensorFlow2基本操作之合并分割與統(tǒng)計
合并與分割
tf.concat
tf.concat可以幫助我們實現(xiàn)拼接操作.
格式:
tf.concat( values, axis, name='concat' )
參數(shù):
- values: 一個 tensor 或 tensor list
- axis: 操作的維度
- name: 數(shù)據(jù)名稱, 默認為 “concat”
例子:
part_1 = tf.zeros([5, 3]) print(part_1) part_2 = tf.ones([5, 3]) print(part_2) # 豎向拼接 result_1 = tf.concat([part_1, part_2], axis=0) print(result_1) # 橫向拼接 result_2 = tf.concat([part_1, part_2], axis=1) print(result_2)
輸出結果:
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]], shape=(10, 3), dtype=float32)
tf.Tensor(
[[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]
[0. 0. 0. 1. 1. 1.]], shape=(5, 6), dtype=float32)
tf.stack
rf.stack可以創(chuàng)建一個新的維度來合并兩個張量.
格式:
tf.stack( values, axis=0, name='stack' )
參數(shù):
- values: 一個 tensor list
- axis: 操作的維度
- name: 數(shù)據(jù)名稱, 默認為 “stack”
例子:
part_1 = tf.zeros([5, 3]) print(part_1) part_2 = tf.ones([5, 3]) print(part_2) # 頭拼接 result_1 = tf.stack([part_1, part_2], axis=0) print(result_1) # 尾拼接 result_2 = tf.stack([part_1, part_2], axis=2) print(result_2)
輸出結果:
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]], shape=(5, 3), dtype=float32)
tf.Tensor(
[[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]][[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]], shape=(2, 5, 3), dtype=float32)
tf.Tensor(
[[[0. 1.]
[0. 1.]
[0. 1.]][[0. 1.]
[0. 1.]
[0. 1.]][[0. 1.]
[0. 1.]
[0. 1.]][[0. 1.]
[0. 1.]
[0. 1.]][[0. 1.]
[0. 1.]
[0. 1.]]], shape=(5, 3, 2), dtype=float32)
tf.unstack
tf.unstack是一個矩陣分解函數(shù).
格式:
# unstack
tf.unstack(
value, num=None, axis=0, name='unstack'
)
參數(shù):
- values: 一個 tensor, 維度大于 0
- num: 軸的長度
- axis: 操作的維度
- name: 數(shù)據(jù)名稱, 默認為 “unstack”
例子:
a = tf.stack([tf.zeros([5, 3]), tf.ones([5, 3])], axis=0) print(a) b = tf.unstack(a, axis=0) print(b)
輸出結果:
tf.Tensor(
[[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]][[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]], shape=(2, 5, 3), dtype=float32)
[<tf.Tensor: shape=(5, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>, <tf.Tensor: shape=(5, 3), dtype=float32, numpy=
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]], dtype=float32)>]
tf.split
tf.split()可以把一個張量劃分為幾個子張量.
格式:
tf.split( value, num_or_size_splits, axis=0, num=None, name='split' )
參數(shù):
- value: 待切分的張量
- num_or_size_splits: 切成幾份
- axis: 操作的維度
- num: num_or_size_splits 不能實現(xiàn)的情況下使用
- name: 數(shù)據(jù)名稱, 默認為 “split”
例子:
# split a = tf.stack([tf.zeros([5, 3]), tf.ones([5, 3])], axis=0) print(a) b = tf.split(a, 2) print(b)
輸出結果:
tf.Tensor(
[[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]][[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]]], shape=(2, 5, 3), dtype=float32)
[<tf.Tensor: shape=(1, 5, 3), dtype=float32, numpy=
array([[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]], dtype=float32)>, <tf.Tensor: shape=(1, 5, 3), dtype=float32, numpy=
array([[[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]]], dtype=float32)>]
數(shù)據(jù)統(tǒng)計
tf.norm
tf.norm可以幫助我們計算向量, 矩陣, 張量的范數(shù).
格式:
tf.norm( tensor, ord='euclidean', axis=None, keepdims=None, name=None )
參數(shù):
- tensor: 輸入的張量
- ord: 范數(shù)的順序
- axis: 操作的維度
- keep_dims: 如果為 True, 則 axis 中指定的軸將保持為大小 1
- name: 數(shù)據(jù)名稱
例子:
a = tf.fill([2, 2], 2.0) print(a) # sqrt(2^2 * 4) = sqrt(16) = 4 b = tf.norm(a) print(b) # [2 + 2, 2 + 2] = [4, 4] c = tf.norm(a, ord=1, axis= 0) print(c) # [sqrt(2^2 + 2^2), sqrt(2^2 + 2^2)] = [sqrt(8), sqrt(8)] d = tf.norm(a, ord=2, axis= 0) print(d)
輸出結果:
tf.Tensor(
[[2. 2.]
[2. 2.]], shape=(2, 2), dtype=float32)
tf.Tensor(4.0, shape=(), dtype=float32)
tf.Tensor([4. 4.], shape=(2,), dtype=float32)
tf.Tensor([2.828427 2.828427], shape=(2,), dtype=float32)
reduce_min/max/mean
計算一個張量各個維度上元素的最小值 / 最大值 / 平均值.
格式:
tf.math.reduce_min / reduce_max / reduce_mean( input_tensor, axis=None, keepdims=False, name=None )
參數(shù):
- input_tensor: 傳入的張量
- axis: 維度, 默認計算所有維度
- keepdims: 如果為真保留維度, 默認為 False
- name: 數(shù)據(jù)名稱
例子:
a = tf.reshape(tf.range(9), [3, 3]) print(a) min = tf.reduce_min(a) print(min) max = tf.reduce_max(a) print(max)
輸出結果:
tf.Tensor(
[[0 1 2]
[3 4 5]
[6 7 8]], shape=(3, 3), dtype=int32)
tf.Tensor(0, shape=(), dtype=int32)
tf.Tensor(8, shape=(), dtype=int32)
argmax / argmin
tf.argmax/tf.argmin可以幫我們找到最大 / 最小值所在的索引 (index).
格式:
tf.math.argmax( input, axis=None, output_type=tf.dtypes.int64, name=None )
參數(shù):
- input: 輸入
- axis: 操作的維度
- output_type: 輸出數(shù)據(jù)類型, 默認為 int64
- name: 數(shù)據(jù)名稱
例子:
# argmax / argmin a = tf.reshape(tf.range(9), [3, 3]) print(a) max = tf.argmax(a) print(max) min = tf.argmin(a) print(min)
輸出結果:
tf.Tensor(
[[0 1 2]
[3 4 5]
[6 7 8]], shape=(3, 3), dtype=int32)
tf.Tensor([2 2 2], shape=(3,), dtype=int64)
tf.Tensor([0 0 0], shape=(3,), dtype=int64)
tf.equal
tf.equal可以幫助我們判斷兩個張量是否相等. 返回 True / False.
格式:
tf.math.equal( x, y, name=None )
例子:
a = tf.zeros(5, dtype=tf.float32) print(a) b = tf.range(5, dtype=tf.float32) print(b) print(tf.equal(a, b))
輸出結果:
tf.Tensor([0. 0. 0. 0. 0.], shape=(5,), dtype=float32)
tf.Tensor([0. 1. 2. 3. 4.], shape=(5,), dtype=float32)
tf.Tensor([ True False False False False], shape=(5,), dtype=bool)
tf.unique
tf.unique可以幫我們找出張量中不重復的值
格式:
tf.unique( x, out_idx=tf.dtypes.int32, name=None )
參數(shù):
- input: 輸入
- output_type: 輸出數(shù)據(jù)類型, 默認為 int32
- name: 數(shù)據(jù)名稱
例子:
a = tf.range(5) print(tf.unique(a)) b = tf.constant([4, 2, 2, 4, 3]) print(tf.unique(b))
輸出結果:
Unique(y=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>, idx=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>)
Unique(y=<tf.Tensor: shape=(3,), dtype=int32, numpy=array([4, 2, 3])>, idx=<tf.Tensor: shape=(5,), dtype=int32, numpy=array([0, 1, 1, 0, 2])>)
到此這篇關于一小時學會TensorFlow2基本操作之合并分割與統(tǒng)計的文章就介紹到這了,更多相關TensorFlow2合并分割與統(tǒng)計內容請搜索本站以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持本站！
版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯(lián)系alex-e#qq.com處理。
關注官方微信