Shape,expand_dims,slice基本用法
import tensorflow as tf
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])
#(3 2 3)
slicet1 = tf.slice(t, [1, 0, 0], [1, 1, 3])
slicet2 = tf.slice(t, [1, 0, 0], [1, 2, 3])
slicet3 = tf.slice(t, [1, 0, 0], [2, 1, 3])
sess=tf.Session()
print(sess.run((slicet1)))#[[[3 3 3]]]
print(sess.run((slicet2)))#[[[3 3 3]
#[4 4 4]]]
print(sess.run((slicet3)))#[[[3 3 3]]
#[[5 5 5]]]
Shape:
shape的功能是读取tensor各维度的长度,以本例中t为例,括号共有3层,即t为3维tensor,下面进行逐层分析。
只看它最外面的括号,可以看成是:
t = [A, B, C] #这是第一维度
然后每一个里面有两个元素,可以写成:
A = [i, j], B = [k, l], C = [m, n] #这是第二维度
最后,这i, j, k, l, m, n中又分别有三个元素:
i = [1, 1, 1], j = [2, 2, 2], k = [3, 3 ,3], l = [4, 4, 4], m = [5, 5, 5], n = [6, 6, 6] # 这是第三维度
所以shape就是中括号 [ ] 的层级里单位的数量。
对于t,最外面括号里有3个元素,分别是A, B, C。这三个元素中每个里面有2个元素, i和j, k和l, m和n。
他们里面每一个又有3个数字。所以t的shape是[3,2,3]。
Slice:
在解释slice之前,首先要注意python的数组index是从0开始的。
之后来看例子:
tf.slice(t, [1, 0, 0], [1, 1, 3]) # begin = [1, 0, 0]
这里根据顺序我们知道,begin是[1, 0, 0], size是[1, 1, 3]. 他们两个数组的意义是从左至右,每一个数字代表一个维度。上面说了begin的意思是起始位置,那么[1, 0, 0]的意思是在3个维度中,每个维度从哪里开始算起。
第一维度是[A, B, C]。 begin里[1, 0, 0]是1,也就是从B算起。其次第二维度里B = [k, l],begin里第二个数是0,也就是从k算起。第三维度k = [3, 3 ,3],begin里第三个数是0,就是从第一个3算起。
确定这三个起始点之后,再来看size。
size的意思是每个维度的大小,也就是每个维度取几个元素。size的应该是最后输出的tensor的shape。
本例中:
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])
tf.slice(t, [1, 0, 0], [1, 1, 3]) # size = [1, 1, 3]
size里第一个是1,意思是在第一个维度取1个元素。t = [A, B, C] begin是起算是B,取1个那就是B。故第一维度结果就是[B]
size第二个也是1,第二维度B = [k, l], begin里起算是k,取1个是k。那么第二维度结果是[[k]]。
size第三个是3,第三维度k = [3, 3 ,3],begin里起算是第一个3。取3个元素,即把三个3都取了,所以是[[[3, 3, 3]]]
例2:
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])
tf.slice(t, [1, 0, 0], [1, 2, 3])
这里begin还是一样[1, 0 ,0]。 size第一个维度取一个,还是[B]。然后size第二个数不是1了,是2,意为取两个。因B = [k, l],所以,是k和l都要取。第三维度取3个,即k = [3, 3 ,3],l = [4, 4, 4]都要slice走。
总结一下,第一维度取[B]。第二维度里把B换成[k, l],就变成了[[k, l]]. 第三维度里把k换成[3, 3 ,3],把l 换成 [4, 4, 4],替换后是最终结果
[[[3, 3, 3], [4, 4, 4]]]
例外:
t = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]], [[5, 5, 5], [6, 6, 6]]])
tf.slice(t, [1, 0, 0], [-1, -1, -1])
对于这种情况,源代码注释中有一句话:
If `size[i]` is -1, all remaining elements in dimension i are included in the slice. In other words, this is equivalent to setting: `size[i] = input.dim_size(i) - begin[i]`
也就是说,如果size输入值是-1的话,在那个维度剩下的数都会slice走。上面的例子中,begin是[1, 0, 0]。三个维度都是-1的话,那么结果: 第一维度是[B,C];第二维度是[[k, l], [m, n]]; 第三维度是[[[3,3,3], [4,4,4]], [[5,5,5], [6,6,6]]]
expand_dims()
#coding=utf-8
import tensorflow as tf
import numpy as np
t=[[2,3,3],
[1,5,5]]
t1=tf.expand_dims(t,0)
t2=tf.expand_dims(t,1)
t3=tf.expand_dims(t,2)
t4=tf.expand_dims(t,-1)
print(np.shape(t)) #(2, 3)
#np.shape()是读取各维度的长度
#t初始化为二维,第一维度长度为2,第二维度长度为3,即2X3两行三列的矩阵
print(np.shape(t1)) #(1, 2, 3)在0号位置插入一个维度
print(np.shape(t2)) #(2, 1, 3)在1号位置插入一个维度
print(np.shape(t3)) #(2, 3, 1)在2号位置插入一个维度
print(np.shape(t4)) #(2, 3, 1)在最后一个位置插入一个维度
本例中,原本t为2*3,即长2宽3的二维平面,tf.expand_dims完成升维,即把二维平面扩展为三维空间,即2*3*1,长2宽3高1。
tf.expand_dims(input, dim, name=None)
第1个参数input为输入张量,第2个参数为新增维度的位置。
比如原来是x*y,现在新增z,t3=tf.expand_dims(t,2)后,现态空间就变成了x*y*z,类似的,第2个参数为0时,现态空间为z*x*y
dim传的参数值起维度定位作用。
ref:
https://www.tensorflow.org/versions/r1.1/api_docs/python/tf/slice
https://www.quora.com/How-does-tf-slice-work-in-TensorFlow
https://www.jianshu.com/p/71e6ef6c121b
最新文章
- SSIS 数据类型和类型转换
- 第一个JSP
- JS模块间错误隔离
- 盘点国内程序员不常用的热门iOS第三方库
- css3水平翻转
- javaweb笔记6多个响应头以及 HttpServletResponse对象
- 笔记本开通手机WiFI热点
- 【学习opencv第六篇】图像的反转操作
- POJ1300(欧拉回路)
- Google maps API开发
- angularjs fileUpload
- number 类型转换 符号
- 2.nginx_rewrite模块
- [物理学与PDEs]第1章习题5 偶极子的电场强度
- Ubuntu 16.04.2 配置VNC
- os x &;&; linux 文件传输基础命令
- vue + element 实现登录注册(自定义表单验证规则)
- JS 和 Jquery 的一些常用效果
- python-小数据池 and 编码
- windows安装并破解navicat.