文档章节

Tensorflow Python API 翻译(array_ops)

AllenOR灵感
 AllenOR灵感
发布于 2017/09/10 01:19
字数 6039
阅读 2
收藏 0
点赞 0
评论 0

计划现将 tensorflow 中的 Python API 做一个学习,这样方便以后的学习。
原文链接

该章介绍有关张量转换的API


数据类型投射

Tensorflow提供了很多的数据类型投射操作,你能将数据类型投射到一个你想要的数据类型上去。


tf.string_to_number(string_tensor, out_type = None, name = None)

解释:这个函数是将一个stringTensor转换成一个数字类型的Tensor。但是要注意一点,如果你想转换的数字类型是tf.float32,那么这个string去掉引号之后,里面的值必须是一个合法的浮点数,否则不能转换。如果你想转换的数字类型是tf.int32,那么这个string去掉引号之后,里面的值必须是一个合法的浮点数或者整型,否则不能转换。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant('123')
print sess.run(data)
d = tf.string_to_number(data)
print sess.run(d)

输入参数:

  • string_tensor: 一个string类型的Tensor
  • out_type: 一个可选的数据类型tf.DType,默认的是tf.float32,但我们也可以选择tf.int32或者tf.float32
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型是out_type,数据维度和string_tensor相同。

tf.to_double(x, name = 'ToDouble')

解释:这个函数是将一个Tensor的数据类型转换成float64

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant(123)
print sess.run(data)
d = tf.to_double(data)
print sess.run(d)

输入参数:

  • x: 一个Tensor或者是SparseTensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor或者SparseTensor,数据类型是float64,数据维度和x相同。

提示:

  • 错误: 如果x是不能被转换成float64类型的,那么将报错。

tf.to_float(x, name = 'ToFloat')

解释:这个函数是将一个Tensor的数据类型转换成float32

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant(123)
print sess.run(data)
d = tf.to_float(data)
print sess.run(d)

输入参数:

  • x: 一个Tensor或者是SparseTensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor或者SparseTensor,数据类型是float32,数据维度和x相同。

提示:

  • 错误: 如果x是不能被转换成float32类型的,那么将报错。

tf.to_bfloat16(x, name = 'ToBFloat16')

解释:这个函数是将一个Tensor的数据类型转换成bfloat16

译者注:这个API的作用不是很理解,但我测试了一下,输入的x必须是浮点型的,别的类型都不行。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_bfloat16(data)
print sess.run(d)

输入参数:

  • x: 一个Tensor或者是SparseTensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor或者SparseTensor,数据类型是bfloat16,数据维度和x相同。

提示:

  • 错误: 如果x是不能被转换成bfloat16类型的,那么将报错。

tf.to_int32(x, name = 'ToInt32')

解释:这个函数是将一个Tensor的数据类型转换成int32

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_int32(data)
print sess.run(d)

输入参数:

  • x: 一个Tensor或者是SparseTensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor或者SparseTensor,数据类型是int32,数据维度和x相同。

提示:

  • 错误: 如果x是不能被转换成int32类型的,那么将报错。

tf.to_int64(x, name = 'ToInt64')

解释:这个函数是将一个Tensor的数据类型转换成int64

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_int64(data)
print sess.run(d)

输入参数:

  • x: 一个Tensor或者是SparseTensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor或者SparseTensor,数据类型是int64,数据维度和x相同。

提示:

  • 错误: 如果x是不能被转换成int64类型的,那么将报错。

tf.cast(x, dtype, name = None)

解释:这个函数是将一个Tensor或者SparseTensor的数据类型转换成dtype

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.cast(data, tf.int32)
print sess.run(d)

输入参数:

  • x: 一个Tensor或者是SparseTensor
  • dtype: 目标数据类型。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor或者SparseTensor,数据维度和x相同。

提示:

  • 错误: 如果x是不能被转换成dtype类型的,那么将报错。

数据维度转换

Tensorflow提供了很多的数据维度转换操作,你能改变数据的维度,将它变成你需要的维度。


tf.shape(input, name = None)

解释:这个函数是返回input的数据维度,返回的Tensor数据维度是一维的。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.shape(data)
print sess.run(d)

输入参数:

  • input: 一个Tensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型是int32

tf.size(input, name = None)

解释:这个函数是返回input中一共有多少个元素。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.size(data)
print sess.run(d)

输入参数:

  • input: 一个Tensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型是int32

tf.rank(input, name = None)

解释:这个函数是返回Tensor的秩。

注意:Tensor的秩和矩阵的秩是不一样的,Tensor的秩指的是元素维度索引的数目,这个概念也被成为order, degree或者ndims。比如,一个Tensor的维度是[1, 28, 28, 1],那么它的秩就是4

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.rank(data)
print sess.run(tf.shape(data))
print sess.run(d)

输入参数:

  • input: 一个Tensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型是int32

tf.reshape(tensor, shape, name = None)

解释:这个函数的作用是对tensor的维度进行重新组合。给定一个tensor,这个函数会返回数据维度是shape的一个新的tensor,但是tensor里面的元素不变。
如果shape是一个特殊值[-1],那么tensor将会变成一个扁平的一维tensor
如果shape是一个一维或者更高的tensor,那么输入的tensor将按照这个shape进行重新组合,但是重新组合的tensor和原来的tensor的元素是必须相同的。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
print sess.run(tf.shape(data))
d = tf.reshape(data, [-1])
print sess.run(d)
d = tf.reshape(data, [3, 4])
print sess.run(d)

输入参数:

  • tensor: 一个Tensor
  • shape: 一个Tensor,数据类型是int32,定义输出数据的维度。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和输入数据相同。

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

解释:这个函数的作用是将input中维度是1的那一维去掉。但是如果你不想把维度是1的全部去掉,那么你可以使用squeeze_dims参数,来指定需要去掉的位置。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
d_1 = tf.expand_dims(d_1, 2)
d_1 = tf.expand_dims(d_1, -1)
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))
d_2 = d_1
print sess.run(tf.shape(tf.squeeze(d_1)))
print sess.run(tf.shape(tf.squeeze(d_2, [2, 4])))

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
# shape(squeeze(t)) ==> [2, 3]

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
# shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

输入参数:

  • input: 一个Tensor
  • squeeze_dims: (可选)一个序列,索引从0开始,只移除该列表中对应位的tensor。默认下,是一个空序列[]
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和输入数据相同。

tf.expand_dims(input, dim, name = None)

解释:这个函数的作用是向input中插入维度是1的张量。
我们可以指定插入的位置dimdim的索引从0开始,dim的值也可以是负数,从尾部开始插入,符合 python 的语法。
这个操作是非常有用的。举个例子,如果你有一张图片,数据维度是[height, width, channels],你想要加入“批量”这个信息,那么你可以这样操作expand_dims(images, 0),那么该图片的维度就变成了[1, height, width, channels]

这个操作要求:
-1-input.dims() <= dim <= input.dims()

这个操作是squeeze()函数的相反操作,可以一起灵活运用。

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, 2)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))

输入参数:

  • input: 一个Tensor
  • dim: 一个Tensor,数据类型是int32,标量。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和输入数据相同,数据和input相同,但是维度增加了一维。

数据抽取和结合

Tensorflow提供了很多的数据抽取和结合的方法。


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

解释:这个函数的作用是从输入数据input中提取出一块切片,切片的尺寸是size,切片的开始位置是begin。切片的尺寸size表示输出tensor的数据维度,其中size[i]表示在第i维度上面的元素个数。开始位置begin表示切片相对于输入数据input_的每一个偏移量,比如数据input_
[[[1, 1, 1], [2, 2, 2]], [[33, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]]
begin[1, 0, 0],那么数据的开始位置是33。因为,第一维偏移了1,其余几位都没有偏移,所以开始位置是33。

操作满足:
size[i] = input.dim_size(i) - begin[i]
0 <= begin[i] <= begin[i] + size[i] <= Di for i in [0, n]

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
input = tf.constant([[[1, 1, 1], [2, 2, 2]],
                    [[3, 3, 3], [4, 4, 4]],
                    [[5, 5, 5], [6, 6, 6]]])
data = tf.slice(input, [1, 0, 0], [1, 1, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [1, 2, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [2, 1, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [2, 2, 2])
print sess.run(data)

输入参数:

  • input_: 一个Tensor
  • begin: 一个Tensor,数据类型是int32或者int64
  • size: 一个Tensor,数据类型是int32或者int64
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和input_相同。

tf.split(split_dim, num_split, value, name = 'split')

解释:这个函数的作用是,沿着split_dim维度将value切成num_split块。要求,num_split必须被value.shape[split_dim]整除,即value.shape[split_dim] % num_split == 0

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
input = tf.random_normal([5,30])
print sess.run(tf.shape(input))[0] / 5
split0, split1, split2, split3, split4 = tf.split(0, 5, input)
print sess.run(tf.shape(split0))

输入参数:

  • split_dim: 一个0维的Tensor,数据类型是int32,该参数的作用是确定沿着哪个维度进行切割,参数范围 [0, rank(value))
  • num_split: 一个0维的Tensor,数据类型是int32,切割的块数量。
  • value: 一个需要切割的Tensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • value中切割的num_splitTensor

tf.tile(input, multiples, name = None)

解释:这个函数的作用是通过给定的tensor去构造一个新的tensor。所使用的方法是将input复制multiples次,输出的tensor的第i维有input.dims(i) * multiples[i]个元素,input中的元素被复制multiples[i]次。比如,input = [a b c d], multiples = [2],那么tile(input, multiples) = [a b c d a b c d]

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2, 3, 4], [9, 8, 7, 6]])
d = tf.tile(data, [2,3])
print sess.run(d)

输入参数:

  • input_: 一个Tensor,数据维度是一维或者更高维度。
  • multiples: 一个Tensor,数据类型是int32,数据维度是一维,长度必须和input的维度一样。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和input相同。

tf.pad(input, paddings, name = None)

解释:这个函数的作用是向input中按照paddings的格式填充0paddings是一个整型的Tensor,数据维度是[n, 2],其中ninput的秩。对于input的中的每一维Dpaddings[D, 0]表示增加多少个0input之前,paddings[D, 1]表示增加多少个0input之后。举个例子,假设paddings = [[1, 1], [2, 2]]input的数据维度是[2,2],那么最后填充完之后的数据维度如下:


填充之后的数据维度

也就是说,最后的数据维度变成了[4,6]

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
t = tf.constant([[[3,3,],[2,2]]])
print sess.run(tf.shape(t))
paddings = tf.constant([[3,3],[1,1],[2,2]])
print sess.run(tf.pad(t, paddings)).shape

输入参数:

  • input: 一个Tensor
  • paddings: 一个Tensor,数据类型是int32
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和input相同。

tf.concat(concat_dim, value, name = 'concat')

解释:这个函数的作用是沿着concat_dim维度,去重新串联value,组成一个新的tensor

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
t1 = tf.constant([[1, 2, 3], [4, 5, 6]])
t2 = tf.constant([[7, 8, 9], [10, 11, 12]])
d1 = tf.concat(0, [t1, t2])
d2 = tf.concat(1, [t1, t2])
print sess.run(d1)
print sess.run(tf.shape(d1))
print sess.run(d2)
print sess.run(tf.shape(d2))

# output
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

# tips
从直观上来看,我们取的concat_dim的那一维的元素个数肯定会增加。比如,上述例子中的d1的第0维增加了,而且d1.shape[0] = t1.shape[0]+t2.shape[0]。

输入参数:

  • concat_dim: 一个零维度的Tensor,数据类型是int32
  • values: 一个Tensor列表,或者一个单独的Tensor
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个重新串联之后的Tensor

tf.pack(values, name = 'pack')

解释:这个函数的作用是将秩为Rtensor打包成一个秩为R+1tensor。具体的公式可以表示为:

tf.pack([x, y, z]) = np.asqrray([x, y, z])

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf

x = tf.constant([1,2,3])
y = tf.constant([4,5,6])
z = tf.constant([7,8,9])

p = tf.pack([x,y,z])

sess = tf.Session()
print sess.run(tf.shape(p))
print sess.run(p)

输入参数:

  • values: 一个Tensor的列表,每个Tensor必须有相同的数据类型和数据维度。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • output: 一个打包的Tensor,数据类型和values相同。

tf.unpack(value, num = None, name = 'unpack')

解释:这个函数的作用是将秩为R+1tensor解压成一些秩为Rtensor。其中,num表示要解压出来的tensor的个数。如果,num没有被指定,那么num = value.shape[0]。如果,value.shape[0]无法得到,那么系统将抛出异常ValueError。具体的公式可以表示为:

tf.unpack(x, n) = list(x)

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf

x = tf.constant([1,2,3])
y = tf.constant([4,5,6])
z = tf.constant([7,8,9])

p = tf.pack([x,y,z])

sess = tf.Session()
print sess.run(tf.shape(p))
pp = tf.unpack(p,3)
print sess.run(pp)

输入参数:

  • value: 一个秩大于0Tensor
  • num: 一个整型,value的第一维度的值。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • value中解压出来的一个Tensor数组。

异常:

  • ValueError: 如果num没有被正确指定,那么将抛出异常。

tf.reverse_sequence(input, seq_lengths, seq_dim, name = None)

解释:将input中的值沿着第seq_dim维度进行翻转。

这个操作先将input沿着第0维度切分,然后对于每个切片,将切片长度为seq_lengths[i]的值,沿着第seq_dim维度进行翻转。

向量seq_lengths中的值必须满足seq_lengths[i] < input.dims[seq_dim],并且其长度必须是input_dims(0)

对于每个切片i的输出,我们将第seq_dim维度的前seq_lengths[i]的数据进行翻转。

比如:

# Given this:
seq_dim = 1
input.dims = (4, 10, ...)
seq_lengths = [7, 2, 3, 5]

# 因为input的第0维度是4,所以先将input切分成4个切片;
# 因为seq_dim是1,所以我们按着第1维度进行翻转。
# 因为seq_lengths[0] = 7,所以我们第一个切片只翻转前7个值,该切片的后面的值保持不变。
# 因为seq_lengths[1] = 2,所以我们第一个切片只翻转前2个值,该切片的后面的值保持不变。
# 因为seq_lengths[2] = 3,所以我们第一个切片只翻转前3个值,该切片的后面的值保持不变。
# 因为seq_lengths[3] = 5,所以我们第一个切片只翻转前5个值,该切片的后面的值保持不变。
output[0, 0:7, :, ...] = input[0, 7:0:-1, :, ...]
output[1, 0:2, :, ...] = input[1, 2:0:-1, :, ...]
output[2, 0:3, :, ...] = input[2, 3:0:-1, :, ...]
output[3, 0:5, :, ...] = input[3, 5:0:-1, :, ...]

output[0, 7:, :, ...] = input[0, 7:, :, ...]
output[1, 2:, :, ...] = input[1, 2:, :, ...]
output[2, 3:, :, ...] = input[2, 3:, :, ...]
output[3, 2:, :, ...] = input[3, 2:, :, ...]

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
input = tf.constant([[1, 2, 3, 4], [3, 4, 5, 6]], tf.int64)
seq_lengths = tf.constant([3, 2], tf.int64)
seq_dim = 1
output = tf.reverse_sequence(input, seq_lengths, seq_dim)
print sess.run(output)
sess.close()

# output
[[3 2 1 4]
 [4 3 5 6]]

输入参数:

  • input: 一个Tensor,需要反转的数据。
  • seq_lengths: 一个Tensor,数据类型是int64,数据长度是input.dims(0),并且max(seq_lengths) < input.dims(seq_dim)
  • seq_dim: 一个int,确定需要翻转的维度。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和input相同,数据维度和input相同。

tf.reverse(tensor, dims, name = None)

解释:将指定维度中的数据进行翻转。

给定一个tensor和一个bool类型的dimsdims中的值为False或者True。如果dims[i] == True,那么就将tensor中这一维的数据进行翻转。

tensor最多只能有8个维度,并且tensor的秩必须和dims的长度相同,即rank(tensor) == size(dims)

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
input_data = tf.constant([[
[
[ 0,  1,  2,  3],
[ 4,  5,  6,  7],
[ 8,  9, 10, 11]
],
[
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]
]
]])
print 'input_data shape : ', sess.run(tf.shape(input_data))
dims = tf.constant([False, False, False, True])
print sess.run(tf.reverse(input_data, dims))
print "=========================="
dims = tf.constant([False, True, False, False])
print sess.run(tf.reverse(input_data, dims))
print "=========================="
dims = tf.constant([False, False, True, False])
print sess.run(tf.reverse(input_data, dims))
sess.close()

输入参数:

  • tensor: 一个Tensor,数据类型必须是以下之一:uint8int8int32boolfloat32或者float64,数据维度不超过8维。
  • dims: 一个Tensor,数据类型是bool
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和tensor相同,数据维度和tensor相同。

tf.transpose(a, perm = None, name = 'transpose')

解释:将a进行转置,并且根据perm参数重新排列输出维度。

输出数据tensor的第i维将根据perm[i]指定。比如,如果perm没有给定,那么默认是perm = [n-1, n-2, ..., 0],其中rank(a) = n。默认情况下,对于二维输入数据,其实就是常规的矩阵转置操作。

比如:

input_data.dims = (1, 4, 3)
perm = [1, 2, 0]

# 因为 output_data.dims[0] = input_data.dims[ perm[0] ]
# 因为 output_data.dims[1] = input_data.dims[ perm[1] ]
# 因为 output_data.dims[2] = input_data.dims[ perm[2] ]
# 所以得到 output_data.dims = (4, 3, 1)
output_data.dims = (4, 3, 1)

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
input_data = tf.constant([[1,2,3],[4,5,6]])
print sess.run(tf.transpose(input_data))
print sess.run(input_data)
print sess.run(tf.transpose(input_data, perm=[1,0]))
input_data = tf.constant([[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]])
print 'input_data shape: ', sess.run(tf.shape(input_data))
output_data = tf.transpose(input_data, perm=[1, 2, 0])
print 'output_data shape: ', sess.run(tf.shape(output_data))
print sess.run(output_data)
sess.close()

输入参数:

  • a: 一个Tensor
  • perm: 一个对于a的维度的重排列组合。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个经过翻转的Tensor

tf.gather(params, indices, name = None)

解释:根据indices索引,从params中取对应索引的值,然后返回。

indices必须是一个整型的tensor,数据维度是常量或者一维。最后输出的数据维度是indices.shape + params.shape[1:]

比如:

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

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

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

如果indices是一个从0params.shape[0]的排列,即len(indices) = params.shape[0],那么这个操作将把params进行重排列。


Gather

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
params = tf.constant([6, 3, 4, 1, 5, 9, 10])
indices = tf.constant([2, 0, 2, 5])
output = tf.gather(params, indices)
print sess.run(output)
sess.close()

输入参数:

  • params: 一个Tensor
  • indices: 一个Tensor,数据类型必须是int32或者int64
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和params相同。

tf.dynamic_partition(data, partitions, num_partitions, name = None)

解释:根据从partitions中取得的索引,将data分割成num_partitions份。

我们先从partitions.ndim 中取出一个元祖js,那么切片data[js, ...]将成为输出数据outputs[partitions[js]]的一部分。我们将js按照字典序排列,即js里面的值为(0, 0, ..., 1, 1, ..., 2, 2, ..., ..., num_partitions - 1, num_partitions - 1, ...)。我们将partitions[js] = i的值放入outputs[i]outputs[i]中的第一维对应于partitions.values == i的位置。更多细节如下:

outputs[i].shape = [sum(partitions == i)] + data.shape[partitions.ndim:]

outputs[i] = pack([data[js, ...] for js if partitions[js] == i])

data.shape must start with partitions.shape
这句话不是很明白,说说自己的理解。
data.shape(0)必须和partitions.shape(0)相同,即data.shape[0] == partitions.shape[0]

比如:

# Scalar partitions
partitions = 1
num_partitions = 2
data = [10, 20]
outputs[0] = []  # Empty with shape [0, 2]
outputs[1] = [[10, 20]]

# Vector partitions
partitions = [0, 0, 1, 1, 0]
num_partitions = 2
data = [10, 20, 30, 40, 50]
outputs[0] = [10, 20, 50]
outputs[1] = [30, 40]

DynamicPartition

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
params = tf.constant([6, 3, 4, 1, 5, 9, 10])
indices = tf.constant([2, 0, 2, 5])
output = tf.gather(params, indices)
print sess.run(output)
sess.close()

输入参数:

  • data: 一个Tensor
  • partitions: 一个Tensor,数据类型必须是int32。任意数据维度,但其中的值必须是在范围[0, num_partitions)
  • num_partitions: 一个int,其值必须不小于1。输出的切片个数。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个数组Tensor,数据类型和data相同。

tf.dynamic_stitch(indices, data, name = None)

解释:这是一个交错合并的操作,我们根据indices中的值,将data交错合并,并且返回一个合并之后的tensor

如下构建一个合并的tensor

merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]

其中,m是一个从0开始的索引。如果indices[m]是一个标量或者向量,那么我们可以得到更加具体的如下推导:

# Scalar indices
merged[indices[m], ...] = data[m][...]

# Vector indices
merged[indices[m][i], ...] = data[m][i, ...]

从上式的推导,我们也可以看出最终合并的数据是按照索引从小到大排序的。那么会产生两个问题:1)假设如果一个索引同时存在indices[m][i]indices[n][j]中,其中(m, i) < (n, j)。那么,data[n][j]将作为最后被合并的值。2)假设索引越界了,那么缺失的位上面的值将被随机值给填补。

比如:

indices[0] = 6
indices[1] = [4, 1]
indices[2] = [[5, 2], [0, 3]]
data[0] = [61, 62]
data[1] = [[41, 42], [11, 12]]
data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]
merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42],
          [51, 52], [61, 62]]

DynamicStitch

使用例子:

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
indices = [6, [4, 1], [[5, 2], [0, 3]]]
data = [[61, 62], [[41, 42], [11, 12]], [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]]
output = tf.dynamic_stitch(indices, data)
print sess.run(output)
# 缺少了第6,第7的位置,索引最后合并的数据中,这两个位置的值会被用随机数代替
indices = [8, [4, 1], [[5, 2], [0, 3]]]
output = tf.dynamic_stitch(indices, data)
# 第一个2被覆盖了,最后合并的数据是第二个2所指的位置
indices = [6, [4, 1], [[5, 2], [2, 3]]]
output = tf.dynamic_stitch(indices, data)
print sess.run(output)
print sess.run(output)
sess.close()

输入参数:

  • indices: 一个列表,至少包含两Tensor,数据类型是int32
  • data: 一个列表,里面Tensor的个数和indices相同,并且拥有相同的数据类型。
  • name:(可选)为这个操作取一个名字。

输出参数:

  • 一个Tensor,数据类型和data相同。

本文转载自:http://www.jianshu.com/p/00ab12bc357c

共有 人打赏支持
AllenOR灵感
粉丝 10
博文 2634
码字总数 82983
作品 0
程序员
tensorflow 一些概念

为什么 c = tf.matmul(a, b) 不立即执行矩阵相乘? 在 TensorFlow 的 Python API 中, a , b , and c 都是 Tensor 对象. 一个 Tensor 对象是一个操作(ope ration)结果的字符别名,它实际上并不...

阿豪boy
2017/07/30
0
0
import keras 出错,应该怎么解决

>>> import keras /usr/local/lib/python2.7/dist-packages/h5py/init.py:36: FutureWarning: Conversion of the second argument of issubdtype from to is deprecated. In future, it will......

好奇小学生1
05/23
0
0
tensorflow源码分析(二)

2015年11月9日,Google发布深度学习框架TensorFlow并宣布开源,并迅速得到广泛关注,在图形分类、音频处理、推荐系统和自然语言处理等场景下都被大面积推广。TensorFlow系统更新快速,官方文...

tianguiyuyu
05/12
0
0
斯坦福tensorflow教程(二) tensorflow相关运算

1.认识下TensorBoard TensorFlow不仅是一个软件库,而是一整套包括TensorFlow、TensorBoard、Tensor Serving在内的软件包。为了更大程度地利用TensorFlow,我们应该了解如何将它们串联起来应...

致Great
05/09
0
0
深入理解TensorFlow架构设计与实现原理 3 :基础概念

1、编程范式:数据流图 声明式编程与命令式编程的对比讨论 数据流图: tensorflow 1.2.0 2、数据载体:张量 张量:Tensor 稀疏张量:SparseTensor类,以键值对的形式表示高维稀疏数据,它包含...

qfire
05/28
0
0
谷歌宣布开源 Swift for TensorFlow,新编程模型

今年三月,谷歌在 TensorFlow 开发者峰会上公开演示了 Swift for TensorFlow,近日,TensorFlow 官网宣布 Swift for TensorFlow 现已开源。 Swift for TensorFlow 为 TensorFlow 提供了一种新...

周其
04/30
0
3
TensorFlow发布重要更新AutoGraph

选自Medium,作者:Alex Wiltschko、Dan Moldovan、Wolff Dobson,机器之心编辑部。 近日,谷歌发布了一项新的 TensorFlow 工具「AutoGraph」,能将 print() 函数和其它 Python 代码转化为纯...

机器之心
昨天
0
0
TensorFlow发布重要更新AutoGraph,自动将Python转化为TF计算图

  选自Medium   作者:Alex Wiltschko、Dan Moldovan、Wolff Dobson   机器之心编辑部      近日,谷歌发布了一项新的 TensorFlow 工具「AutoGraph」,能将 print() 函数和其它 Py...

机器之心
昨天
0
0
tensorflow中的基本概念

本文是在阅读官方文档后的一些个人理解。 官方文档地址:https://www.tensorflow.org/versions/r0.12/getstarted/basicusage.html#basic-usage 关于tensor和op的理解 Nodes in the graph are...

meng_shangjy
04/17
0
0
扣丁学堂浅谈将TensorFlow的模型网络导出为单个文件的方法

今天给大家分享的是将TensorFlow的模型网络导出为单个文件的方法,喜欢Python开发的小伙伴和扣丁学堂Python在线学习小编一块来看一下吧。 有时候,我们需要将TensorFlow的模型导出为单个文件...

扣丁学堂
06/01
0
0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

Spring配置xml启动报错 Connot find 'beans'

1.我们先看一下spring的原始配置 <?xml version="1.0" encoding="UTF-8"?><beans xmlns="http://www.springframework.org/schema/beans" xmlns:xsi="http://www.w3.org/2001/XMLSc......

江湖鱼大虾
9分钟前
0
0
与女儿谈商业模式 (4):戴尔的成功秘诀

分类:与女儿谈商业模式 | 标签: 戴尔 经济学 陈志武 2007-05-15 10:26阅读(7434)评论(36)   2007年5月《创富志》与“女儿谈商业模式”专栏 (之四)   戴尔的成功秘诀   陈志武   ...

祖冲之
19分钟前
0
0
www.w3.org被qiang导致logback报错:Connect reset

web项目部署到tomcat后,web项目中的logback不能运行,报错信息如下: Reported exception: ch.qos.logback.core.joran.spi.JoranException: I/O error occurred while parsing xml file......

浮躁的码农
33分钟前
0
0
JDeveloper中文乱码解决

全局设置字体; 全局设置环境编码; 项目设置编译器环境编码。

wffger
今天
2
0
MySQL主从介绍 , 准备工作,配置主,配置从, 测试主从同步

MySQL主从介绍 MySQL主从又叫做Replication、AB复制。简单讲就是A和B两台机器做主从后,在A上写数据,另外一台B也会跟着写数据,两者数据实时同步的 MySQL主从是基于binlog的,主上须开启bin...

TaoXu
今天
2
0
线性代数学习总结

亭子happy
今天
1
0
Java8:Lambda表达式增强版Comparator和排序

1、概述 在这篇教程里,我们将要去了解下即将到来的JDK 8(译注,现在JDK 8已经发布了)中的Lambda表达式——特别是怎样使用它来编写Comparator和对集合(Collection)进行排序。 这篇文章是...

孟飞阳
今天
0
0
从架构到组件,深挖istio如何连接、管理和保护微服务2.0?

近几年我一直从事于微服务系统的设计以及实现方面的工作,属于微服务架构一线实践者。之前做过一些单体系统的微服务改造,在微服务拆分、治理等方面都有一定的经验。 本人比较特殊一点的经历...

xiaomin0322
今天
1
0
基于vue的h5文件切片上传(获取文件md5,实现秒传、进度条实现)

template <button @click="file"></button><label ref="upload" style="position: relative;"> <input type="file" @change="selectFile" style="position: abs......

hkaikai
今天
2
0
Spring Boot 2.0 项目实现自同步AD域账号

在通过Spring Boot的自动化装配功能及JDK自带的LDAP模块,可通过如下几个简单步骤实现业务系统自动同步AD域账号功能。 1. Java自带ldap搜索域账号信息核心代码: try { LdapContext ctx...

B超
今天
2
0

没有更多内容

加载失败,请刷新页面

加载更多

下一页

返回顶部
顶部