[TensorFlow系列-16]：TensorFlow基础 - 张量的操作 - 变形(降维、扩维、广播)

最新推荐文章于 2022-10-05 17:55:05 发布

文火冰糖的硅基工坊

最新推荐文章于 2022-10-05 17:55:05 发布

阅读量1.7w

点赞数 5

分类专栏：人工智能-TensorFlow 人工智能-深度学习文章标签：深度学习 TensorFlow 张量操作变形

本文链接：https://blog.csdn.net/HiWangWenBing/article/details/119651252

版权

人工智能-深度学习同时被 2 个专栏收录

206 篇文章 147 订阅

订阅专栏

人工智能-TensorFlow

63 篇文章 27 订阅

订阅专栏

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/119651252

2.1 tf.rank: 查看张量的阶数，即张量的维度方向数

2.2 tf.shape: 查看张量的形状，张量在各个维度方向长的长度

2.3 tf.size: 返回输入张量的size，即张量的元素数量或个数。

2.4 代码示例

第3章 tf.reshape(tensor, shape)：改变张量形状，不改变元素顺序

第4章 tf.transpose(tensor)：张量的转置

第5章 tf.expand_dims(input, axis): 不增加内容,增加一个维度

5.1 在axis=0的方向上增加一个维度

5.3 在axis=0的方向上增加一个维度

第6章 tf.squeeze(input, axis=None)：删除维度

6.1 压缩掉所有长度为1的维度, 元素个数不变

6.2 压缩掉长度为1的指定维度

第7章 tf.broadcast_to(input, shape）：在长度为1的维度上广播数据

7.1 在以有长度为1的维度上广播数据

7.2 先扩维后广播

第1章 Tensor运算与操作概述

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

1.1 概述

TensorFlow提供了大量的张量运算与操作，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。

https://www.runoob.com/numpy/numpy-linear-algebra.html

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 - 变形

所谓张量的变形，就是改变张量的形状。

形状包括：张量的维度+不同维度方向上的长度。

一般情况下，变形前后，张量的总元素的个数和内容不变。

变形相关的主要函数有：

（1）张量的形状显示

tf.shape(input, name=None, out_type=tf.int32)：张量的形状
tf.size(input, name=None, out_type=tf.int32)：张量的总长度
tf.rank(input, name=None)

（2）张量的形状改变，不改变元素的个数

tf.reshape(tensor, shape, name=None)：改变张量的形状，不改变元素的顺序
tf. 转置：改变张量的形状，也改变元素的顺序

第2章张量的形状属性

2.1 tf.rank: 查看张量的阶数，即张量的维度方向数

tf.rank(input, name=None)
input：输入的张量
name：操作的名称

2.2 tf.shape: 查看张量的形状，张量在各个维度方向长的长度

tf.shape(input, name=None, out_type=tf.int32)
input：输入的张量
name：操作的名称
out_type：输出的类型(int32 or int64)，默认tf.int32

2.3 tf.size: 返回输入张量的size，即张量的元素数量或个数。

tf.size(input, name=None, out_type=tf.int32)
input：输入的张量
name：操作的名称
out_type：输出的类型 (int32 or int64)，默认int32

2.4 代码示例

# 代码示例：

# 张量的属性
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(a.shape)

print("\n张量的属性")
print(tf.rank(a))   # 张量的维度方向数，axis =0,1,2。。。。
print(tf.shape(a))  # 张量在各个维度方向长的长度
print(tf.size(a))   # 张量的所有元素个数，shape的各个分量的乘积。

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
(2, 6)

张量的属性
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

第3章 tf.reshape(tensor, shape)：改变张量形状，不改变元素顺序

tf.reshape改变一个张量的形状，按照指定的shape返回一个新的张量。

要是形状的某个分量是特殊值-1，那么就会计算该维度的大小，使得总大小（元素数量）保持不变，特殊的，如果传入的形状是[-1]，那么意味着把整个张量弄平为1维。

必须确保变形前和变形之后的总元素个数是相同的。

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

tensor：输入的张量，待被改变形状的张量
shape：张量，必须是 int32, int64，决定了输出张量的形状
name：操作的名称

3.1 降维变换

#代码示例：

# 降维变换
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]]) 
b = a
print(b)
print(tf.rank(b))   # rank=2,
print(tf.shape(b))  # shape = 2*6
print(tf.size(b))   # size =12

print("\n张量变形1")
b = tf.reshape(a, [1,12])  # 
print(b)
print(tf.rank(b))   # rank=2
print(tf.shape(b))  # shape = 1*12
print(tf.size(b))   # size =12

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量变形1
tf.Tensor([[ 1  3  5  7  9 11  2  4  6  8 10 12]], shape=(1, 12), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([ 1 12], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

3.2 同维变换

#代码示例：

# 同维变换 
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]]) 
b = a
print(b)
print(tf.rank(b))   # rank=2,
print(tf.shape(b))  # shape = 2*6
print(tf.size(b))   # size =12

print("\n张量变形2")
b = tf.reshape(a,[3,4])
print(b)
print(tf.rank(b))   # rank=2
print(tf.shape(b))  # shape = 3*4
print(tf.size(b))   # size =12

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量变形2
tf.Tensor(
[[ 1  3  5  7]
 [ 9 11  2  4]
 [ 6  8 10 12]], 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)

3.3 升维变换

# 代码示例：

# 升维变换
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]]) 
b = a
print(b)
print(tf.rank(b))   # rank=2,
print(tf.shape(b))  # shape = 2*6
print(tf.size(b))   # size =12

print("\n张量变形3")
b = tf.reshape(a, [2,2,3])
print(b)
print(tf.rank(b))   # rank=3
print(tf.shape(b))  # shape = 2*2*3
print(tf.size(b))   # size =12

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量变形3
tf.Tensor(
[[[ 1  3  5]
  [ 7  9 11]]

 [[ 2  4  6]
  [ 8 10 12]]], shape=(2, 2, 3), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([2 2 3], shape=(3,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

3.4 自动计算长度

#代码示例：

# -1的使用
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]]) 
b = a
print(b)
print(tf.rank(b))   # rank=2,
print(tf.shape(b))  # shape = 2*6
print(tf.size(b))   # size =12

print("\n张量变形4")
b = tf.reshape(a, [2,2,-1]) #自动计算剩余维度上的长度
print(b)
print(tf.rank(b))   # rank=3
print(tf.shape(b))  # shape = 2*2*3
print(tf.size(b))   # size =12

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量变形4
tf.Tensor(
[[[ 1  3  5]
  [ 7  9 11]]

 [[ 2  4  6]
  [ 8 10 12]]], shape=(2, 2, 3), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([2 2 3], shape=(3,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

第4章 tf.transpose(tensor)：张量的转置

转置是按照对称轴进行对换，而不是旋转。

4.1 一维转置

#代码演示

# 一维转置，还是自身
print("源张量：")
a = tf.constant([1,3,5,7,9,11])
b = a
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n张量转置1：")
b = tf.transpose(a) # 一维转置，还是自身
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b))

输出：

源张量：
tf.Tensor([ 1  3  5  7  9 11], shape=(6,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([6], shape=(1,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

张量转置1：
tf.Tensor([ 1  3  5  7  9 11], shape=(6,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([6], shape=(1,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

4.2 二维转置

# 输出

# 二维转置，行列互换
print("源张量：")
a = tf.constant([[1,3,5,7,9,11]])
b = a
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n张量转置1：")
b = tf.transpose(a) # 二维转置，行列互换
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b))

输出：

源张量：
tf.Tensor([[ 1  3  5  7  9 11]], shape=(1, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([1 6], shape=(2,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

张量转置1：
tf.Tensor(
[[ 1]
 [ 3]
 [ 5]
 [ 7]
 [ 9]
 [11]], shape=(6, 1), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([6 1], shape=(2,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

# 代码示例：
# 二维转置，行列互换
# transpose变形
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]])
b = a
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n张量转置1：")
b = tf.transpose(a)    #二维转置，行列互换
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b))

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量转置1：
tf.Tensor(
[[ 1  2]
 [ 3  4]
 [ 5  6]
 [ 7  8]
 [ 9 10]
 [11 12]], shape=(6, 2), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([6 2], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

4.3 三维转置

#代码示例：

# 三维转置
# transpose变形
print("源张量：")
a = tf.range(0,24)
print(a)
print(tf.rank(a))  
print(tf.shape(a)) 
print(tf.size(a)) 

print("\n张量reshape：")
b = tf.reshape(a, [2,3,4]) # reshape成三维张量
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n张量转置2：")
c = tf.transpose(b)      #形状对称转置，而不是旋转
print(c)
print(tf.rank(c))  
print(tf.shape(c)) 
print(tf.size(c))

输出：

源张量：
tf.Tensor([ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23], shape=(24,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([24], shape=(1,), dtype=int32)
tf.Tensor(24, shape=(), dtype=int32)

张量reshape：
tf.Tensor(
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]], shape=(2, 3, 4), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([2 3 4], shape=(3,), dtype=int32)
tf.Tensor(24, shape=(), dtype=int32)

张量转置2：
tf.Tensor(
[[[ 0 12]
  [ 4 16]
  [ 8 20]]

 [[ 1 13]
  [ 5 17]
  [ 9 21]]

 [[ 2 14]
  [ 6 18]
  [10 22]]

 [[ 3 15]
  [ 7 19]
  [11 23]]], shape=(4, 3, 2), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([4 3 2], shape=(3,), dtype=int32)
tf.Tensor(24, shape=(), dtype=int32)

4.4 按照维度方向，任意转置

#代码示例：

 任意的映射
# transpose变形
print("源张量：")
a = tf.range(0,24)
print(a)
print(tf.rank(a))  
print(tf.shape(a)) 
print(tf.size(a)) 


print("\n张量reshape：")
b = tf.reshape(a, [2,3,4]) # reshape成三维张量, axis=0的长度为2, axis=1的长度为3, axis=3的长度为4
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 


print("\n张量转置：")
#新张量axis=0方向的数据来着源张量的axis=2.
#新张量axis=1方向的数据来着源张量的axis=0.
#新张量axis=2方向的数据来着源张量的axis=1.
c = tf.transpose(b, perm=[2,0,1]) 
print(c)
print(tf.rank(c))  
print(tf.shape(c)) 
print(tf.size(c))

输出：

源张量：
tf.Tensor([ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23], shape=(24,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([24], shape=(1,), dtype=int32)
tf.Tensor(24, shape=(), dtype=int32)

张量reshape：
tf.Tensor(
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]], shape=(2, 3, 4), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([2 3 4], shape=(3,), dtype=int32)
tf.Tensor(24, shape=(), dtype=int32)

张量转置：
tf.Tensor(
[[[ 0  4  8]
  [12 16 20]]

 [[ 1  5  9]
  [13 17 21]]

 [[ 2  6 10]
  [14 18 22]]

 [[ 3  7 11]
  [15 19 23]]], shape=(4, 2, 3), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([4 2 3], shape=(3,), dtype=int32)
tf.Tensor(24, shape=(), dtype=int32)

代码解读：

transpose改变形状：2*3*4 =》 4 * 2 * 3，改变元素在张量中的位置，不但调整了元素的形状结构，还挪动了整个维度方向上的数据。这种方式类似于公司的部门调整，把整个部门的人一起调动了位置，新部门的人员，在新的维度上，执行新的任务。

reshape改变形状： 2*3*4 =》 4 * 2 * 3，不改变元素在张量中的位置，即元素的相对位置不变，只改变了组织和管理这些元素的逻辑方式。这种方式类似于公司的部门调整，所有的人员（张量元素）不动，只是重选对人员进行编排，分组，重选规划分组后的部门（张量维度）名称。

4.5 任意维度转置的应用：

不同的深度学习框架，数据的物理组织方式不同，通过上述转置方式，可以实现不同深度学习框架，数据的转换。

如图片的组织方式：

Pytorch：[batch, channel, hight, width]

Tensorflow：[batch, high, widht, channel]

（1）如果源数据是Pytorch格式，目的数据是Tensorflow格式，这转换函数为：

Pytorch：[batch, channel, hight, width]

Tensorflow：[batch, high, widht, channel]

b = tf.transpose(a, perm=[0，2, 3, 1])

（2）如果源数据是Tensorflow格式，目的数据是Pytorch格式，这转换函数为：

Tensorflow：[batch, high, widht, channel]

Pytorch：[batch, channel, hight, width]

b = torch.transpose(a, perm=[0，3, 1, 2])

第5章 tf.expand_dims(input, axis): 不增加内容,增加一个维度

5.1 在axis=0的方向上增加一个维度

# 代码示例

# 新增一个维度方向，新增维度的向量长度为1
print("源张量：")
a = tf.constant([[1,3,5],[2,4,6]])
b = a
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n扩维后张量axis=0：")
b = tf.expand_dims(a,axis=0)
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b))

输出：

源张量：
tf.Tensor(
[[1 3 5]
 [2 4 6]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 3], shape=(2,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

扩维后张量axis=0：
tf.Tensor(
[[[1 3 5]
  [2 4 6]]], shape=(1, 2, 3), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([1 2 3], shape=(3,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

5.3 在axis=0的方向上增加一个维度

# 代码示例：

print("源张量：")
a = tf.constant([[1,3,5],[2,4,6]])
b = a
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n扩维后张量axis=1：")
b = tf.expand_dims(a,axis=1)
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b))

输出：

源张量：
tf.Tensor(
[[1 3 5]
 [2 4 6]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 3], shape=(2,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

扩维后张量axis=1：
tf.Tensor(
[[[1 3 5]]

 [[2 4 6]]], shape=(2, 1, 3), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([2 1 3], shape=(3,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

5.3 在axis=0的方向上增加一个维度

# 代码示例

print("源张量：")
a = tf.constant([[1,3,5],[2,4,6]])
b = a
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n扩维后张量axis=2：")
b = tf.expand_dims(a,axis=2)
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b))

输出：

源张量：
tf.Tensor(
[[1 3 5]
 [2 4 6]], shape=(2, 3), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 3], shape=(2,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

扩维后张量axis=2：
tf.Tensor(
[[[1]
  [3]
  [5]]

 [[2]
  [4]
  [6]]], shape=(2, 3, 1), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([2 3 1], shape=(3,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

第6章 tf.squeeze(input, axis=None)：删除维度

6.1 压缩掉所有长度为1的维度, 元素个数不变

#代码示例

# squeeze剔除所有张量维度方向上长度为1的维度
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(tf.rank(a))  
print(tf.shape(a)) 
print(tf.size(a)) 

print("\n张量reshape（元素个数不变)：")
b = tf.reshape(a, [1,1,12])
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 


print("\n张量压缩(元素个数不变)：")
c = tf.squeeze(b)
print(c)
print(tf.rank(c))  
print(tf.shape(c)) 
print(tf.size(c))

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量reshape（元素个数不变)：
tf.Tensor([[[ 1  3  5  7  9 11  2  4  6  8 10 12]]], shape=(1, 1, 12), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([ 1  1 12], shape=(3,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量压缩(元素个数不变)：
tf.Tensor([ 1  3  5  7  9 11  2  4  6  8 10 12], shape=(12,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([12], shape=(1,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

6.2 压缩掉长度为1的指定维度

# 代码示例：

# squeeze剔除张量维度方向上长度为1的维度
print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(tf.rank(a))  
print(tf.shape(a)) 
print(tf.size(a)) 

print("\n张量reshape（元素个数不变)：")
b = tf.reshape(a, [1,1,12])
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 


print("\n张量压缩(元素个数不变)：")
c = tf.squeeze(b,axis=0)
print(c)
print(tf.rank(c))  
print(tf.shape(c)) 
print(tf.size(c)) 

print("\n张量压缩(元素个数不变)：")
c = tf.squeeze(b,axis=1)
print(c)
print(tf.rank(c))  
print(tf.shape(c)) 
print(tf.size(c))

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量reshape（元素个数不变)：
tf.Tensor([[[ 1  3  5  7  9 11  2  4  6  8 10 12]]], shape=(1, 1, 12), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([ 1  1 12], shape=(3,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量压缩(元素个数不变)：
tf.Tensor([[ 1  3  5  7  9 11  2  4  6  8 10 12]], shape=(1, 12), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([ 1 12], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

张量压缩(元素个数不变)：
tf.Tensor([[ 1  3  5  7  9 11  2  4  6  8 10 12]], shape=(1, 12), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([ 1 12], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

第7章 tf.broadcast_to(input, shape）：在长度为1的维度上广播数据

广播的本质是增加某个维度方向数据长度，实际上是把长度1的维度方向上的数据，复制多份，其维度方向上数据的长度。

7.1 在以有长度为1的维度上广播数据

#代码示例：

print("源张量：")
a = tf.constant([1,3,5,7,9,11])
print(a)
print(tf.rank(a))  
print(tf.shape(a)) 
print(tf.size(a)) 

print("\n在axis=0上扩充一个维度：")
b = tf.expand_dims(a, axis=0)
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b)) 

print("\n只能在长度为1的维度方向上进行广播，增加其长度:")
# 把1*6的张量广播成4*6的张量
# 新加长度的数据，来自于原先的维度中数据
b = tf.broadcast_to(b,shape=[4,6]) 
print(b)
print(tf.rank(b))  
print(tf.shape(b)) 
print(tf.size(b))

输出：

源张量：
tf.Tensor([ 1  3  5  7  9 11], shape=(6,), dtype=int32)
tf.Tensor(1, shape=(), dtype=int32)
tf.Tensor([6], shape=(1,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

在axis=0上扩充一个维度：
tf.Tensor([[ 1  3  5  7  9 11]], shape=(1, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([1 6], shape=(2,), dtype=int32)
tf.Tensor(6, shape=(), dtype=int32)

只能在长度为1的维度方向上进行广播，增加其长度:
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 1  3  5  7  9 11]
 [ 1  3  5  7  9 11]
 [ 1  3  5  7  9 11]], shape=(4, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([4 6], shape=(2,), dtype=int32)
tf.Tensor(24, shape=(), dtype=int32)

7.2 先扩维后广播

#代码示例：

print("源张量：")
a = tf.constant([[1,3,5,7,9,11],[2,4,6,8,10,12]])
print(a)
print(tf.rank(a))  
print(tf.shape(a)) 
print(tf.size(a)) 

print("\n广播后，维度不变，长度变化：")
# 把2*3的张量广播成4*6的张量
# 新加长度的数据，来自于原先的维度中数据
c = tf.broadcast_to(a,shape=[4,2,6])
print(c)
print(tf.rank(c))  
print(tf.shape(c)) 
print(tf.size(c))

输出：

源张量：
tf.Tensor(
[[ 1  3  5  7  9 11]
 [ 2  4  6  8 10 12]], shape=(2, 6), dtype=int32)
tf.Tensor(2, shape=(), dtype=int32)
tf.Tensor([2 6], shape=(2,), dtype=int32)
tf.Tensor(12, shape=(), dtype=int32)

广播后，维度不变，长度变化：
tf.Tensor(
[[[ 1  3  5  7  9 11]
  [ 2  4  6  8 10 12]]

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

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

 [[ 1  3  5  7  9 11]
  [ 2  4  6  8 10 12]]], shape=(4, 2, 6), dtype=int32)
tf.Tensor(3, shape=(), dtype=int32)
tf.Tensor([4 2 6], shape=(3,), dtype=int32)
tf.Tensor(48, shape=(), dtype=int32)

备注：长度为4的维度是先扩维，广播数据，增加其长度。

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/119651252

文火冰糖的硅基工坊

关注

5
点赞
踩
27

收藏

觉得还不错? 一键收藏
打赏
0
评论
[TensorFlow系列-16]：TensorFlow基础 - 张量的操作 - 变形(降维、扩维、广播)

作者主页(文火冰糖的硅基工坊)：https://blog.csdn.net/HiWangWenBing本文网址：第1章 Tensor运算与操作概述https://tensorflow.google.cn/api_docs/python/tf1.1 概述TensorFlow提供了大量的张量运算与操作，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..
复制链接

扫一扫