[TensorFlow系列-15]：TensorFlow基础 - 张量的操作 - 拆分与分割

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119651181

---

目录

第1章 Tensor运算概述

1.1 概述

1.3 张量的操作与变换

1.4 环境准备

1.5 张量的操作 - 拆分与分割

 第2章 均匀降低维度的拆分：tf.unstack(value, num=None, axis=0）

2.1 函数说明

2.2  代码示例

第3章 非均匀降低维度的拆分：tf.split(value, num_or_size_splits, axis=0)

3.1 函数说明

3.2  代码示例

---

---

第1章 Tensor运算概述

https://tensorflow.google.cn/api_docs/python/tf

1.1 概述

TensorFlow提供了大量的张量运算，基本上可以对标Numpy多维数组的运算，以支持对张量的各种复杂的运算。

这些操作运算中大多是对数组中每个元素执行相同的函数运算，并获得每个元素函数运算的结果序列，这些序列生成一个新的同维度的数组。

不同维度张量的维度方向标识

• 随着张量维度的增加，张量维度的标识dim的范围也在扩宽
• 在张量维度扩展的过程中，维度标识值（dim=n）的含义也在发生变化。
• dim=0总是指向张量的多维数组存储的最外层：[ ] [ ] [ ], 这与物理存储的标识是相反的。

1.2 运算分类

（1）算术运算：加、减、系数乘、系数除

（2）函数运算：sin，cos

（3）取整运算：上取整、下取整

（4）统计运算：最大值、最小值、均值

（5）比较运算：大于，等于，小于、排序

（6）线性代数运算：矩阵、点乘、叉乘

1.3 张量的操作与变换

（1）变换内容: 变换张量元素的值。

（1）变换长度：变换张量的某个方向的长度（即向量的维度或长度），长度可增加，可减少。

（3）变换维度：变化张量的维度，维度可以增加，可减少。

1.4 环境准备

#环境准备
import numpy as np
import tensorflow as tf
print("hello world")
print("tensorflow version:", tf.__version__)

1.5 张量的操作 - 拆分与分割

张量的切分有两种主要的基本策略：

• 在某个维度方向，平均分割：tf.unstack(value, num=None, axis=0）
• 在某个维度方向，指定分割：tf.split(value, num_or_size_splits, axis=0)

 第2章 均匀降低维度的拆分：tf.unstack(value, num=None, axis=0）

2.1 函数说明

功能：把一个张量，在某个维度方向上，拆成多个相同维度、相同长度的等分的张量。

原型：unstack(values, num，axis)

输入参数:

values: 输入张量

num：分拆后张量的个数（均匀分拆）

axis：分拆的维度方向

2.2  代码示例

# 张量的拼接：增加阶数，
a = tf.constant([[1,1,1,1], [2,2,2,2],[3,3,3,3]])
print("源张量a")
print(a)
print(tf.rank(a))
print(tf.shape(a))
print(tf.size(a)) 

print("\n降维张量axis=0")
b = tf.unstack(a, axis=0)
print(b)

print("\n降维张量axis=1")
b = tf.unstack(a, num=4, axis=1)
print(b)

输出：

源张量a
tf.Tensor(
[[1 1 1 1]
 [2 2 2 2]
 [3 3 3 3]], shape=(3, 4), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([3 4], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

降维张量axis=0
[<tf.Tensor: shape=(4,), dtype=int32, numpy=array([1, 1, 1, 1])>, <tf.Tensor: shape=(4,), dtype=int32, numpy=array([2, 2, 2, 2])>, <tf.Tensor: shape=(4,), dtype=int32, numpy=array([3, 3, 3, 3])>]

降维张量axis=1
[<tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 2, 3])>, <tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 2, 3])>, <tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 2, 3])>, <tf.Tensor: shape=(3,), dtype=int32, numpy=array([1, 2, 3])>]

第3章 非均匀降低维度的拆分：tf.split(value, num_or_size_splits, axis=0)

3.1 函数说明

功能：把一个张量，在某个维度方向上，拆分成不同长度的相同维度的张量。

原型：split(values, num_or_size_splits，axis)

输入参数:

values: 输入张量

num_or_size_splits：在拆分维度上，多个不同的长度列表。

axis：分拆的维度方向

3.2  代码示例

# 代码示例：

# 张量的拼接：增加阶数，
a = tf.constant([[1,1,1,1], [2,2,2,2],[3,3,3,3]])
print("源张量a")
print(a)
print(tf.rank(a))
print(tf.shape(a))
print(tf.size(a)) 

print("\n降维张量axis=0")
b = tf.split(a, num_or_size_splits=[1,2], axis=0) #分割长分别为1和2的两个张量。
print(b)

print("\n降维张量axis=1")
b = tf.split(a, num_or_size_splits = 2 ,axis=1)  #分割成2个长度相等的张量
print(b)

print("\n降维张量axis=1")
b = tf.split(a, num_or_size_splits = [1,2,1] ,axis=1)  #分割成长度为 1、2、1三个张量
print(b)

输出：

源张量a
tf.Tensor(
[[1 1 1 1]
 [2 2 2 2]
 [3 3 3 3]], shape=(3, 4), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([3 4], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

降维张量axis=0
[<tf.Tensor: shape=(1, 4), dtype=int32, numpy=array([[1, 1, 1, 1]])>, <tf.Tensor: shape=(2, 4), dtype=int32, numpy=
array([[2, 2, 2, 2],
       [3, 3, 3, 3]])>]

降维张量axis=1
[<tf.Tensor: shape=(3, 2), dtype=int32, numpy=
array([[1, 1],
       [2, 2],
       [3, 3]])>, <tf.Tensor: shape=(3, 2), dtype=int32, numpy=
array([[1, 1],
       [2, 2],
       [3, 3]])>]

降维张量axis=1
[<tf.Tensor: shape=(3, 1), dtype=int32, numpy=
array([[1],
       [2],
       [3]])>, <tf.Tensor: shape=(3, 2), dtype=int32, numpy=
array([[1, 1],
       [2, 2],
       [3, 3]])>, <tf.Tensor: shape=(3, 1), dtype=int32, numpy=
array([[1],
       [2],
       [3]])>]

---

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/119651181