tensorflow模型操作常用函数总结:(二)

（一）、形状变换的相关函数：

函数                                                                                   描述

tf.shape(input,name=None)              返回一个张量，其值为输入参数input的shape。这个input可以是个张量，也可以是一个数组                                                            或list。例如：t = [1,2,3,4,5,6,7,8,9]  print(np.shape(t)) #输出(9,.)   tshape=tf.shape(t) #返回                                                            一个张量，值为python自有类型t的shape   tshape2=tf.shape(tshape) #返回一个张量，值为                                                            张量tshape的shape.   sess=tf.Session()

tf.size(input,name=None)                 返回一个张量，其内容为输入数据的元素数量。例如：t=[[[[1,1,1],[2,2,2]],[[3,3,3],[4,4,4]]]]                                                               sizet = tf.size(t) ,sess = tf.Session(),print(sess.run(sizet)) #输出12，表示列表t中的元素个数

tf.rank(input,name=None)                 返回一个张量，其内容为输入数据input的rank。注意，此rank不同于矩阵的rank，                                                                         【rank（阶）指的就是维度。但张量的阶和矩阵的阶并不是同一个概念，主要是看有几层中                                                           括号】例如：t=[[[[1,1,1],[2,2,2]],[[3,3,3],[4,4,4]]]]  rankt = tf.rank(t), sess =                                                                                       tf.Session(),print(sess.run(rankt))  #输出4，表示列表t的阶（一共有4层中括号，[[[[]]]]）

tf.reshape(input,shape,name=None) 将原有输入数据的shape按照指定形状进行变化，生成一个新的张量。例如：tt=[                                                                             1,2,3,4,5,6,7,8,9], tf=tf.reshape(t,[3,3]),sess=tf.Session(),print(sess.run(tt)) #此时输                                                                     入的张量如下： #[1,2,3], #[4,5,6],#[7,8,9]  #如果shape有元素[-1]，则表示在该维度   下按照                                                           原有数据自动计算。见下面的代码： ttt=tf.reshape(tt,[1,-1]), print(ttt.shape), #输入（1,9）                                                             表示ttt的shape，print(tt.shape) #输出（3,3）表示tt并没有被修改。

tf.expand_dims(input,dim,name=None) 插入维度1进入一个tensor中。例如：t=[[2,3,3],[1,5,5]] ,t1=tf.expand_dims(t,0),                                                                                   t2=tf.expand_dims(t,1), t3=tf.expend_dims(t,2), t4=tf.expand_dims(t,-1) #如果写成                                                                         t4=tf.expand_dims(t,3)，则会出错，因为只有两个维度。 print(np.shape(t))  #输出                                                                         (2,3），print(np.shape(t1))  #输出(1,2,3)， print(np.shape(t2))  #输出(2,1,3)，                                                                               print(np.shape(np.shape(t3)) #输出(2,3,1)，print(np.shape(t4)) #输出(2,3,1)。

tf.squeeze(input,dim,name=None)  将dim指定的维度去掉（dim所指定的维度必须为1，如果不为1则会报错）。例如：                                                                         t=[[[[2],[1]]]], t1=tf.squeeze(t,0), t2=tf.squeeze(t,1), t3=tf.squeeze(t,3), t4=tf.squeeze(t,-1)                                                              #如果写成t4=tf.squeeze(t,2)会出错，因为2对应的维度为2，不为1。 print(np.shape(t)                                                                    #(1,1,2,1)，print(np.shape(t1)) #(1,2,1), print(np.shape(t2)) #(1,2,1)  print(np.shape(t3))                                                                #(1,1,2), print(np.shape(t4))  #(1,1,2)