TensorFlow中slice,split,concat和stack等函数详解

昨天尝试了用reshape操作numpy矩阵，但是发现reshape对矩阵的操作并不能满足我的需求，今天继续尝试

我的目标是将一个5x4x3的tensor张量转换为4x15的张量和20x3的张量，具体转换效果如下图所示。

由于操作对象是一个tensor张量，所以不能用numpy库中的函数，必须使用tensorflow框架中提供的方法，因此下文将对几个tf函数进行尝试。

1.tensor张量的打印

由于tensorflow是张量流，它的逻辑是先搭建网络结构，网络结构搭建好后，开启一个session，此时才算是将网络结构实例化。

只有在网络实例化之后，才会将数据送入网络结构，这时才能查看网络结构中的数据。

举一个例子，我个人感觉tensorflow就是在修一个水管一样，首先给你一个入口（输入），一个出口（输出），利用不同形状的水管（不同的网络单元，比如cnn中的卷积层，池化层等）搭建出一个能够将入口和出口连通的线路（满足输入输出的网络结构），搭建时水管（网络结构）中是没有水（数据）的，只有搭建好以后，打开水龙头（初始化，sess.run）才会有水（数据）流经水管（网络结构）。

所以定义的tensor结构直接打印时，输出的只是结构，而并不是数据。比如我定义下面一个矩阵

如果sl=tf.slice(a,[1,0,0],[2,2,3]),我们直接打印sl的话，出来的结果是下图

这个就是tensor的结构，而不是tensor中的数据。

因为此时还没有将数据送入结构，我们是看不到数据的，那么如何打印呢？

我们初始化一个sess=tf.Session(),然后print sess.run(sl)即可看到结果如下

就是[2,2,3]的那个tensor对不对？这样我们就打印出了tensor中的值，后续操作将基于本知识点进行可视化。

2.tf.slice(input,begin,size)

这个函数是对input数据进行切片操作，begin和size可以接受列表类型的数据，但是要保证begin+size中的每一维都小于tensor张量该维度的大小。

第一块我们已经尝试了该函数，该函数的逻辑就是从begin开始，抽取size大小的矩阵。具体如下图所示。

3.tf.split(input,num_or_size_split,axis=0,num=None)

这个函数，是对输入进行分割，num_or_size_split可以是一个数字，就是按照axis等分为几个矩阵，也可以是个列表，列表的和应该等于该维度的大小。

num这个参数没搞懂，因为第二个参数已经把形状固定了，这个num不知有啥用。具体转换逻辑如下图

4.tf.concat(input,axis)

这个函数的输入是多个tensor，并将多个tensor按照axis拼接成一个tensor。具体转换逻辑如下图。

5.tf.stack(input,axis=0)

这个函数是将多个tensor按照axis组合为一个tensor，具体转换逻辑如下图

Stack和concat的操作是有区别的，但是我又表达不出来这种区别。有点像一个二维列表的append和+的区别。

假设A = [[1],[2]],此时A.append([3])得到的是[[1],[2],[3]]，而A+[3]得到的是[[1],[2],3]。

6.tf.unstack(input,num=None，axis=0)

这个函数与stack函数是相反的作用，所以图示就不画了。

经过上述6种函数的学习与操作，终于可以解决我的问题了，那就是利用tf.concat函数即可。

最后还有一个小技巧，就是tensor也可以像列表一样操作的

用最开始的a举例子，假设us=tf.unstack(a,axis=0)，此时us如下图

这样的情况下，我们可以定义co=tf.concat([t for t in us],0)，输出co可得

即得到了我们需要的张量了。