Tensorflow API 持续学习

本文希望以最精简的语言解释tensorflow API经常使用的小操作，将会持续更新；若有疑问或者错误，请在留言区指出。

实验环境：Win10    tensorflow-gpu-1.12.0    GTX1050-ti

tf.pad

t = tf.constant([[1, 2], [3, 4]])
paddings = tf.constant([[2, 1], [1, 1]])

a = tf.pad(t, paddings, "CONSTANT")

sess = tf.Session()
print(sess.run(a))

结果如下:
[[0 0 0 0]
 [0 0 0 0]
 [0 1 2 0]
 [0 3 4 0]
 [0 0 0 0]]

padding中每个[a, b]都代表在相应的维度前后加上指定行数的0，比如例子中：[2, 1]指的是第0维（即行所在维度）的前面加2行0，后面加一行0；[1, 1]指的是在第1维（即列所在维度）前面加上1行0，后面加上1行0。

 

tf.split

函数示意图

t = tf.random_normal(shape=[10, 4, 5])
split0, split1, split2 = tf.split(t, [2, 3, 5], 0)

sess = tf.Session()
shape0, shape1, shape2 = sess.run([tf.shape(split0), tf.shape(split1), tf.shape(split2)])

print("shape0: ", shape0)
print("shape1: ", shape1)
print("shape2: ", shape2)

结果如下：
shape0:  [2 4 5]
shape1:  [3 4 5]
shape2:  [5 4 5]

代码中，我们定义了一个[10, 4, 5]维度的Tensor，之后我们在0维（即通道所在维度）根据向量 [2, 3, 5] 切割该Tensor，最后得到三个返回值，打印获得各自的形状。该例子中，split的功能可由上面的图片直观理解，当传入的切割条件是一个向量，如代码中的[2, 3, 5]， 那就会根据所指定的维度切割；但是切割条件的值总和必须等于指定切割维度的大小，如第0维是10，2+3+5=10。

 

tf.cond()

a = tf.constant(1)
b = tf.constant(2)

x = tf.add(a, b)
y = tf.multiply(a, b)

result1 = tf.cond(tf.greater(a, b), lambda: x, lambda: y)
result2 = tf.cond(tf.greater(b, a), lambda: x, lambda: y)

with tf.Session() as sess:
    _result1, _result2 = sess.run([result1, result2])
    print("result1: ", _result1)
    print("result2: ", _result2)

结果如下：
result1:  2
result2:  3

• tf.cond()相当于if...else。第一个参数返回一个布尔值，若为true，执行第二项；若为False，执行第三项
• 根据API的描述，无论是第二项还是第三项被执行，两项都会在图中计算并得到值，只是选择满足条件的那一项而已

备注：本文为作者原创，转载需注明出处！