tf.reshape 和tf.transpose和tf.split

tf.reshape() tf.shape(x)与x.get_shape()

 

 tf.rehspe()用法 : tf.reshape(tensor, shape, name=None)

>>> import tensorflow as tf
>>> import numpy as np

## 创建一个数组a

>>> a = np.arange(24)
>>> a
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

① reshape中shape默认用列表传入

>>> tf.reshape(a,[12,2])
<tf.Tensor 'Reshape:0' shape=(12, 2) dtype=int32>

>>> sess.run(tf.reshape(a,[4,6]))
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],

       [18, 19, 20, 21, 22, 23]])

② reshape中shape中的-1用法

## 行数固定4,列数默认计算

>>> sess.run(tf.reshape(a,[4,-1]))
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],
       [18, 19, 20, 21, 22, 23]])

## 列数固定4,行数默认计算
>>> sess.run(tf.reshape(a,[-1,4]))
array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11],
       [12, 13, 14, 15],
       [16, 17, 18, 19],
       [20, 21, 22, 23]])

③ reshape中shape中传入三个参数的意思

就是增加了一维,表示多个通道或者多张输入图片,如果是四个参数一般是[batch_size,channel,img_h,img_w].

>>> sess.run(tf.reshape(a,[2,3,4]))

array([[[ 0,  1,  2,  3],
        [ 4,  5,  6,  7],
        [ 8,  9, 10, 11]],

       [[12, 13, 14, 15],
        [16, 17, 18, 19],
        [20, 21, 22, 23]]])

 tf.shape(a)用法和a.get_shape()

① 两个函数都可以的到tensor的尺寸

② tf.shape(a)中的数据类型可以是tensor,array,list 但是a.get_shape 只能是tensor, 且返回值是元组

##创建一个数组a
>>> a = np.arange(24)
>>> a
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23])

## 从a的array中创建一个tensor b
>>> b = tf.reshape(a,[4,6])
>>> b
<tf.Tensor 'Reshape_11:0' shape=(4, 6) dtype=int32>
>>> sess.run(b)
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11],
       [12, 13, 14, 15, 16, 17],

       [18, 19, 20, 21, 22, 23]])

## 创建一个列表c
>>> c = [1,2,3]
>>> c
[1, 2, 3]
我们来看tf.shape(x)函数作用a,b,c的输出:
>>> sess.run(tf.shape(a))
array([24])
>>> sess.run(tf.shape(b))
array([4, 6])
>>> sess.run(tf.shape(c))
array([3])
我们来看x.get_shape()函数作用a,b,c的输出:

>>> a.get_shape()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>

AttributeError: 'numpy.ndarray' object has no attribute 'get_shape'

>>> b.get_shape()

TensorShape([Dimension(4), Dimension(6)])

>>> c.get_shape()
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>

AttributeError: 'list' object has no attribute 'get_shape'

说明x.get_shape()中,x只能是tensor,否则报错,并且返回的是一个元组,可以分别取出行和列:

>>> b.get_shape()
TensorShape([Dimension(4), Dimension(6)])
>>> print(b.get_shape())
(4, 6)
>>> print( b.get_shape()[0])
4
>>> print( b.get_shape()[1])

6

>>>print(b.get_shape().as_list())

 

>>> b.get_shape()[0].value
4
>>> b.get_shape()[1].value
6

参考: https://blog.csdn.net/fireflychh/article/details/73611021

 

[4, 6][4, 6]

上面都是别人的代码和说明。最后自我理解就是：

假如一个矩阵是三维的，维度2*4*3，

[[[a111 a112 a113],[a121 a122 a123],[a131 a132 a133]，[a141 a142 a143]],[[a211 a212 a213],[a221 a222 a223],~~~]]]

矩阵后面的省略，我的意思就是用 下标表示这个矩阵。维度与我下面的代码矩阵一样。

1     tf.transpose(b,[1,0,2]）     #表示要调整b矩阵的维度，从2*4*3变成4*2*3，0\1\2表示矩阵原来的维度，原来是[0,1,2],按行读取，

现在的矩阵[[[a111 a112 a113],[a211 a212 a213]],[[a121 a122 a123],[a231 a232 a233]]~~]]]

把[a111 a112 a113]看成一个整体，那么就是[a11 a12 a13 a14

                                                                              a21 a22 a23 a24]

第一个与第二个维度交换，也就是原来的a12变成了现在b21，新的矩阵是

                                                                             [b11 b12 

                                                                              b21 b22

                                                                              b31 b32

                                                                              b41 b42]

不知道说清楚没有。可以看看二维矩阵转置。

tf.reshape(bt,[-1,3])的用法相关，就放在一起了。第一个参数表示要变形状的张量（二维的叫矩阵，一维的叫数组），第二个参数表示目标张量的形状（shape=[]）。需保证目标张量的形状正确，比如原来的是3*3*4（=36）的，那么目标的形状就必须能被36整除，例如7*2，就会报错。当形状(shape)的参数第一个是-1时，表示排成一维数组，每个数a1是1*3的数组。

tf.split(dt,4,0)的用法相关，一样放一起。第一个参数表示要被分的张量，第二个参数表示均分成多少份，第三个参数表示在第一个维度。（维度默认是0，1，2...）

多维的还没试过

# -*- coding: utf-8 -*-
"""
Created on Sat Dec 22 16:03:45 2018

@author: ZZL
"""
import tensorflow as tf
import numpy as np
a=tf.constant([-1.0,2.0,3.0,4.0])
b=[[[1,2,3] ,[4,5,6],[7,8,9],[10,11,12]] ,[[13,14,15],[16,17,18] ,[19,20,21],[22,23,24]]]

#XT = tf.transpose(b, [1, 0, 2])
bt=tf.transpose(b, [1, 0, 2])
dt=tf.reshape(bt, [-1, 3])
et= tf.split(dt, 4, 0)#X_split =
f=np.argmax(b, axis=1)

import numpy as np
a = np.array([
              [
                  [1, 5, 5, 2],
                  [9, -6, 2, 8],
                  [-3, 7, -9, 1]
              ],
 
              [
                  [-1, 7, -5, 2],
                  [9, 6, 2, 8],
                  [3, 7, 9, 1]
              ],
            [
                  [21, 6, -5, 2],
                  [9, 36, 2, 8],
                  [3, 7, 79, 1]
              ]
            ])
b=np.argmax(a, axis=0)#对于三维度矩阵，a有三个方向a[0][1][2]
#当axis=0时，是在a[0]方向上找最大值，即两个矩阵做比较，具体
#(1)比较3个矩阵的第一行，即拿[1, 5, 5, 2],
#                         [-1, 7, -5, 2],
#                         [21, 6, -5, 2],
#再比较每一列的最大值在那个矩阵中，可以看出第一列1，-2，21最大值为21，在第三个矩阵中，索引值为2
#第2列5，7，6最大值为7，在第2个矩阵中，索引值为1.....，最终得出比较结果[2 1 0 0]
#再拿出三个矩阵的第二行，按照上述方法，得出比较结果 [0 2 0 0]
#一共有三个，所以最终得到的结果b就为3行4列矩阵
print(b)
#[[2 1 0 0]
#[0 2 0 0]
#[1 0 2 0]]

with tf.Session() as sess:
    m=bt
    n=dt
    et=et
    print(sess.run(m))
    
    
    
    print(sess.run(n))
    print(sess.run(et))
    print(sess.run(et)[1])

显示

runfile('C:/Users/ZZL/lainxi.py', wdir='C:/Users/ZZL')
[[2 1 0 0]
 [0 2 0 0]
 [1 0 2 0]]
[[[ 1  2  3]
  [13 14 15]]

 [[ 4  5  6]
  [16 17 18]]

 [[ 7  8  9]
  [19 20 21]]

 [[10 11 12]
  [22 23 24]]]
[[ 1  2  3]
 [13 14 15]
 [ 4  5  6]
 [16 17 18]
 [ 7  8  9]
 [19 20 21]
 [10 11 12]
 [22 23 24]]
[array([[ 1,  2,  3],
       [13, 14, 15]]), array([[ 4,  5,  6],
       [16, 17, 18]]), array([[ 7,  8,  9],
       [19, 20, 21]]), array([[10, 11, 12],
       [22, 23, 24]])]
[[ 4  5  6]
 [16 17 18]]