Tensorflow基础之张量操作索引与切片|维度变换|Broadcasting

一、索引与切片

1、索引

Tensorflow支持标准索引方式和逗号分隔索引号索引方式，下面以四维张量为例，

#创建有4张28*28的图片，使用随机分布模拟产生，3代表RGB通道的强度
val = tf.random.normal([4,28,28,3])
#取第一张图片的数据
val[0]
#取第一张图片的第二列
val[0][1]
#取第一张图片第二行第三列的数据
val[0][1][2]

2、切片

通过start:end:step切片方式可以方便地提取一段数据，其中start为起始索引，end为结束读取位置索引（不包含end位），step为采样步长。下面以[4,28,28,3]图片张量为例，介绍。

#读取第2，3张照片
val[1:3]

#读取第一张照片
val[0,::]
val[0]

#为更简洁，::等价于:,如下相当于将图片变为原来的一半
val[:,0:28:2,0:28:2,:] #形状为shape=(4, 14, 14, 3)
val[:,::-2,::-2]

特别地，step可以为负数，当为负数时，索引号end<=start，为逆序读取数据。

#下面以一个序列为例
x = tf.range(10)
x

#逆序由9取到1
print(x[9:0:-1])

#逆序取全部元素
print(x[::-1])

#逆序且步长为2
print(x[::-2])

 接着，为避免序列中:过多，不方便观看，如x[:,:,:,1],可以使用符号表示取多个维度上的数据，如下，

#还是以[4,28,28,3]为例,取索引为0，1且通道索引为1，2的数据
val[0:2,...,1:]

#读取最后两张照片
val[2:,...]

#读取所有样本，所有高宽的前两个通道
val[...,:2]

二、维度变换

在神经网络中，维度变换是最核心的张量操作，通过维度变换可将数据任意的切换格式，满足不同场合的运算需求。

1、增加维度

#增加维度
x = tf.random.uniform([28,28],maxval = 10,dtype = tf.int32)
print(x)

#在随后加一个维度，形状为(28,28,1)
x = tf.expand_dims(x,axis = 2)
print(x)

#再在最前面加一个维度，形状为(1,28,28,1)
x = tf.expand_dims(x,axis = 0)
print(x)

2、删除维度

#删除维度
x = tf.squeeze(x,0)
print(x) #shape=(28, 28, 1)

x = tf.squeeze(x,2)
print(x) #shape=(28, 28)

3、交换维度

#交换维度
x = tf.random.normal([2,28,28,3])
tf.transpose(x,perm = [0,3,1,2])
#交换后shape=(2, 3, 28, 28) 

4、复制数据

tf.tile(x,multiples)函数完成在指定维度上复制，multiples分别指定了每个维度上的复制倍数，对应位置为1则不复制，对应位置为2则代表新长度要变为原来长度的二倍。

# 1、创建向量b
b = tf.constant([1,2])

# 2、插入新维度
b = tf.expand_dims(b,axis = 0)
b #shape=(1, 2)

# 3、复制数据
b = tf.tile(b,multiples = [2,1])#行复制一份，列不复制
b #shape=(2, 2)

三、Broadcasting

Broadcasting成为广播机制，它是一种轻量级的张量复制手段，在逻辑上扩展张量数据的形状，只有在需要时才执行实际存储复制操作。

优点：相比于tf.tile(x,multiples)，他们的结果是一样的，但Broadcasting机制节省了大量的计算资源，故在运算过程中尽可能地利用Broadcasting机制提高运算效率。