tensorflow中的一些API使用记录

目录

 

1、tf.pad()

2、tf.where()

3、tf.ones_like()&tf.zeros_like()

4、tf.equal()

 5、tf.stack&tf.concat&tf.unstack

6、tf.slice()

持续更新中……

---

1、tf.pad()

    tf.pad(
            tensor,
            paddings,
            mode='CONSTANT',
            name=None
    )

tensor:输入张量

padings 也是一个张量，代表每一维填充多少行/列，但是有一个要求它的rank一定要和tensor的rank是一样的
mode 可以取三个值，分别是"CONSTANT" ,"REFLECT","SYMMETRIC"
mode="CONSTANT" 是填充0
mode="REFLECT"是映射填充，上下（1维）填充顺序和paddings是相反的，左右（零维）顺序补齐
mode="SYMMETRIC"是对称填充，上下（1维）填充顺序是和paddings相同的，左右（零维）对称补齐

举个栗子：

import tensorflow as tf

a = [
     [[1,2,3],
     [4,5,6],
     [7,8,9]],
      
     [[1,2,3],
     [4,5,6],
     [7,8,9]],
      
     [[1,2,3],
     [4,5,6],
     [7,8,9]],   
     ]
b = tf.constant(a)
print(b.shape)
b1 = tf.pad(b,[[1,2],[2,1],[2,2]])
print(b1.shape)
sess = tf.Session()
print(sess.run(b1))

运行结果：

(3, 3, 3)
(6, 6, 7)
[[[0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 1 2 3 0 0]
  [0 0 4 5 6 0 0]
  [0 0 7 8 9 0 0]
  [0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 1 2 3 0 0]
  [0 0 4 5 6 0 0]
  [0 0 7 8 9 0 0]
  [0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 1 2 3 0 0]
  [0 0 4 5 6 0 0]
  [0 0 7 8 9 0 0]
  [0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]]

 [[0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]
  [0 0 0 0 0 0 0]]]

2、tf.where()

where(condition, x=None, y=None, name=None)

 

condition， x, y 相同维度，condition是bool型值，True/False

返回值是对应元素，condition中元素为True的元素替换为x中的元素，为False的元素替换为y中对应元素

举个栗子：

import tensorflow as tf

sess = tf.Session()
a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[7, 8, 9], [0, 0, 0]])
c = tf.constant([[True,False,False],[False,True,False]])
print(sess.run(tf.where(c,a,b)))

 结果：

[[1 8 9]
 [0 5 0]]

c中true取相同a相同位置的值，false取b中的值。

3、tf.ones_like()&tf.zeros_like()

zeros_like(
    tensor,
    dtype=None,
    name=None,
    optimize=True
)

举个栗子

import tensorflow as tf

sess = tf.Session()
tensor = tf.constant([[1, 2, 3], [4, 5, 6]])
a = tf.ones_like(tensor)
print(sess.run(a))

结果：

[[1 1 1]
 [1 1 1]]

简单的说就是定义一个shape和tensor相同但全为1的tensor。

4、tf.equal()

对比这两个矩阵或者向量的相等的元素，如果是相等的那就返回True，反正返回False，返回的值的矩阵维度和A是一样的。

import tensorflow as tf

sess = tf.Session()

a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[1, 8, 9], [0, 5, 0]])

print(sess.run(tf.equal(a,b)))

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

 5、tf.stack&tf.concat&tf.unstack

合并，举个栗子：

import tensorflow as tf

sess = tf.Session()

a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[1, 8, 9], [0, 5, 0]])
ab1 = tf.concat([a,b], axis=0)
ab2 = tf.concat([a,b], axis=1)
ab3 = tf.stack([a,b], axis=0)
print(sess.run(ab1))
print(sess.run(ab2))
print(sess.run(ab3))

结果：

[[1 2 3]
 [4 5 6]
 [1 8 9]
 [0 5 0]]

[[1 2 3 1 8 9]
 [4 5 6 0 5 0]]

[[[1 2 3]
  [4 5 6]]

 [[1 8 9]
  [0 5 0]]]

关于stack，axis不同，tensor的shape也不同：

a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[1, 8, 9], [0, 5, 0]])
ab1 = tf.stack([a,b], axis=0)
ab3 = tf.stack([a,b], axis=2)
print(ab1.shape)
print(sess.run(ab1))
print(ab3.shape)
print(sess.run(ab3))

(2, 2, 3)
[[[1 2 3]
  [4 5 6]]

 [[1 8 9]
  [0 5 0]]]


(2, 3, 2)
[[[1 1]
  [2 8]
  [3 9]]

 [[4 0]
  [5 5]
  [6 0]]]

 unstack则是将其分割：

a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[1, 8, 9], [0, 5, 0]])
ab1 = tf.stack([a,b], axis=0)
a1 = tf.unstack(ab1,axis=0)[0]
b1 = tf.unstack(ab1,axis=0)[1]
print(sess.run(a1))
print(sess.run(b1))

 结果：

[[1 2 3]
 [4 5 6]]
[[1 8 9]
 [0 5 0]]

6、tf.slice()

tf.slice(inputs,begin,size,name=name)

input是你输入的tensor,list,array

begin:n维列表,每一个维度的起始位置

size:n维列表,每个维度使用的元素

举个栗子：

import tensorflow as tf

sess = tf.Session()

t = tf.constant([[[1, 1, 1], [2, 2, 2]],
                 [[3, 3, 3], [4, 4, 4]],
                 [[5, 5, 5], [6, 6, 6]]])

a = tf.slice(t, [1, 0, 0], [2, 1, 3])
b = tf.slice(t, [1, 0, 1], [2, 1, 2])
print(sess.run(a))
print(sess.run(b))

结果：

[[[3 3 3]]

 [[5 5 5]]]

[[[3 3]]

 [[5 5]]]

a中begin=[1,0,0],也就是取t中的

[

[[3,3,3],[4,4,4]],

[[5,5,5],[6,6,6]]

]

再取其中的size=[2,1,3],也就是

[[[3 3 3]]

 [[5 5 5]]]

如果size=[1,2,3]，就是

[[[3 3 3]]

 [[4 4 4]]]

持续更新中……