tensorflow学习——张量的相关操作

张量相关操作

多维张量在物理上以一维的方式连续存储，通过定义维度和形状，在逻辑上把它理解为多维张量。（对于多维数组也同样适用）

维度变换

改变张量形状

使用tf.reshape改变张量的形状，语法格式：

tf.reshape(tensor,shape)

例，将一维张量转换成三维张量：

a = tf.range(24)
print(a)
print(tf.reshape(a, [2, 3, 4]))

多维张量的轴

多维张量的维度表示多维张量的轴（axis）。

张量的轴带有索引值，从维度最高到最低，使用数字0作为轴索引的开始，（可以理解为张量最外层到最内层的顺序）。也可以使用负数作为倒数的索引，-1表示索引值最大的轴，这一点与Python的列表一致。

增加维度

使用tf.expand_dims(input, axis)增加张量维度，语法格式：

tf.expand_dims(input, axis)

示例，现有一个shape为（2，2）的张量，为它在axis=0方向上添加一个维度：

a = tf.constant([[1,2],[3,4]])
print(tf.shape(a))
a = tf.expand_dims(a, axis=0)
print(a)

需要注意的是，tf.expand_dims()必须要明确指定axis的值，指定顶哪个轴就在原张量基础上增加一个指定轴。如果上述代码指定axis=1，那么a的shape就会是(2, 1, 2)。

删除维度

删除维度用tf.squeeze()函数，该函数语法格式：

tf.squeeze(input, axis=None)

该函数只能删除长度为1的维度，可以指定axis，如果明确不指定axis，会删除所有长度为1的维度，可以使用列表来指定多个要删除的维度。

例，原张量shape为(1, 2 , 3, 1, 1, 4)，如果分别指定删除全部长度为1的维度和，代码为：

a = tf.constant(1, shape=(1, 2, 3