tensorflow的None下标、equal和consum函数总结

None下标

None下标类似a[:,None]，会默认在原有纬度基础上增加一个纬度

考虑初始变量：

a = tf.Variable([[3.0,2.0,4.0],[1.0,6.0,7.0]])

为的矩阵

变化1:

 a1 = a[:,:,None] # 2 * 3 * 1

为矩阵，会在最后（第2纬后）加上一纬，其值为

[[[3.]
  [2.]
  [4.]]

 [[1.]
  [6.]
  [7.]]]

变化2:

a2 = a[:,None] # 2 * 1 * 3

为矩阵，会在第1纬后加上1维，其值为

[[[3. 2. 4.]]

 [[1. 6. 7.]]]

变化3：

a3 = a[None] # 1 * 2 * 3

为矩阵，会在第1维前面加上1纬，其值为

[[[3. 2. 4.]
  [1. 6. 7.]]]

tf.equal操作

b = tf.equal(a1,a2) # 2 * 3 * 3

结果如下：

[[[ True False False]
  [False  True False]
  [False False  True]]

 [[ True False False]
  [False  True False]
  [False False  True]]]

tf.cumsum操作

 c = tf.cumsum(tf.cast(b, tf.float32), axis=-1) # 2 * 3 *3

结果如下：

[[[1. 1. 1.]
  [0. 1. 1.]
  [0. 0. 1.]]

 [[1. 1. 1.]
  [0. 1. 1.]
  [0. 0. 1.]]]

tf.

d = (tf.linalg.diag_part(c) - 1.0) # 2 * 3

结果如下：

[[0. 0. 0.]
 [0. 0. 0.]]

去最后两维数组的对角阵，显然这列统计了中每个元素的重复出现次数。

完