tf.sequence_mask与tf.expand_dims

 tf.sequence_mask（）函数

sequence_mask(
    lengths,        # 掩码的长度序列，内部元素为整数
    maxlen=None,    # 返回数据的最内层数据维度，整数
    dtype=tf.bool,  # 数据类型,默认为布尔型
    name=None       # 操作的命名

示例：

a = tf.sequence_mask(3, dtype=tf.float32)
out: [1, 1, 1]

# maxlen默认为lengths最内层元素的最大值，此处为3
a1 = tf.sequence_mask([3, 2], dtype=tf.float32)
out: [[1, 1, 1], [1, 1, 0]]

# 更高的秩依次类推
a2 = tf.sequence_mask([[3, 2], [2, 3]], dtype=tf.float32)
out: [
        [[1, 1, 1], [1, 1, 0]],
        [[1, 1, 0], [1, 1, 1]]
     ]

# 特别的
b = tf.sequence_mask(lengths=5, maxlen=3, dtype=tf.float32)
out: [1, 1, 1]

tf.expand_dims()函数

expand_dims(
    input,  # 张量
    axis,   # 需要扩充的秩
    name,   # 操作名
    dim     # 效果等同于axis
)

不明白axis和dim同时存在的意义在哪，经过测试，二者效果一致，均可在指定维度上实现秩扩展。直观理解，在指定维度加一层[]。

示例：

a = [[1, 1, 0], [1, 1, 1]]

a1 = tf.expand_dims(a, dim=0)
out: [[[1, 1, 0], [1, 1, 1]]]

a2 = tf.expand(a, dim=1)
out: [[[1, 1, 0]], [[1, 1, 1]]]

a3 = tf.expand(a, dim=2)
out: [[[1], [1], [0]], 
        [[1], [1], [1]]]

# dim=-1, 相当于在最大秩上扩充维度
a4 = tf.expand(a, dim=-1)
out: [[[1], [1], [0]], 
        [[1], [1], [1]]]