第三章 Tensorflow2.0高级操作

​

一、合并分割

tf.concat()函数：张量拼接函数

a = tf.ones([4,2,3])
b = tf.ones([2,2,3])
​
c = tf.concat([a,b],axis=0)
print(c.shape) #Tensorshape([6,2,3])

tf.stack()函数：创造新的维度

d = tf.stack([a,b],axis=0) #注：stack必须所有维度相等
#Tensorshape([2,4,2,3])

tf.unstack()函数：分割操作。

a = tf.ones([4,2,3])
b = tf.ones([2,2,3])
​
c = tf.concat([a,b],axis=0)
d = tf.unstack(c,axis=0) 
d = tf.unstack(c,axis=0)
print(d[0].shape)#Tensorshape([2,3])
print(d[3].shape)#Tensorshape([2,3])

tf.split()函数：按照规则打散分割

e = tf.split(c,axis=0,num_or_size_splits=[3,5])
for i in range(len(e)):
    print(e[i].shape) #(3, 2, 3) (5, 2, 3)

二、数据统计

张量的范数：

 

tf.norm()函数：

• 支持在维度上进行各种范数计算

• axis=a:指的是在a上各个小单元进行的范数计算，即：第i列第a行所有元素的范数计算

a = tf.ones([3,2])
c = tf.norm(a,ord = 2,axis=0)
#tf.Tensor([1.7320508 1.7320508], shape=(2,), dtype=float32)

tf.reduce_min/max/mean():求解最小最大值

a = tf.random.normal([2,3])
b = tf.reduce_min(a,axis=0)
print(a)
print(b)#同样的也是每个第0维度（每一列的一行所有值）的最大最小值，[min((1，1),(2，1)，min((1，2),(2，2)]

tf.argmax()函数：求出最大值的索引位置

tf.equal()函数：比较两个张量，常用于求解准确度

tf.unique()函数：求解张量中不重复的值的位置索引

a = tf.random.normal([4,3])
b = tf.argmax(a,axis=0)
print(b.shape) #(3,)
​
c = tf.constant([1,1,3,4,4])
d = tf.range(5)
print('d:',d) #d: tf.Tensor([0 1 2 3 4], shape=(5,), dtype=int32)
e = tf.equal(c,d) 
print('e:',e) #e: tf.Tensor([False  True False False  True], shape=(5,), dtype=bool)
unique,idx = tf.unique(c)
print('unique:',unique) #unique: tf.Tensor([1 3 4], shape=(3,), dtype=int32)
print('idx:',idx) #idx: tf.Tensor([0 0 1 2 2], shape=(5,), dtype=int32)
​
f = tf.gather(unique,idx)
print(f) #tf.Tensor([1 1 3 4 4], shape=(5,), dtype=int32)

三、张量排序

​

tf.random.shuffle()函数：随机打乱某一维度的排序

​​

tf.argsort()函数：张量排序后的序号

​​

tf.sort(,direction='DESCENDING')函数：张量排序（降序）

​​

tf.argsort()函数：张量排序后的序号

​

a = tf.random.uniform([3,3],maxval = 10,dtype=tf.int32)
b = tf.sort(a,direction='DESCENDING')
print(b)
idx = tf.argsort(a,direction='DESCENDING')
print(idx)

a = tf.random.uniform([3,3],maxval = 10,dtype=tf.int32)
print(a)
b = tf.math.top_k(a,3).indices
print(b)
​

b = tf.math.top_k(a,3)函数：返回前多少个最大的值的value和indices(值和排序)

​

a = tf.random.uniform([3,3],maxval=10)
b = tf.math.top_k(a,3).indices
print(b)
#tf.Tensor(
# [[6 5 2]
#  [4 0 7]
#  [8 8 4]], shape=(3, 3), dtype=int32)
# tf.Tensor(
# [[0 1 2]
#  [2 0 1]
#  [0 1 2]], shape=(3, 3), dtype=int32)

四、数据填充与复制

​

tf.pad()：数据的填充
tf.tile()：数据的复制
tf.broadcast_to()

​

#pad()填充示例：
a = tf.random.uniform([3,3],maxval=9)
a = tf.pad(a,[[1,1],[0,1]])
#效果即在行上：上边和下边都加了一排0，列上：只有右边加了一排0
#tile()复制示例：
a = tf.constant([[0,1,2],[3,4,5],[6,7,8]])
b = tf.tile(a,[2,2])

#结果即：在行、列上分别复制了两次
# tf.Tensor(
# [[0 1 2 0 1 2]
#  [3 4 5 3 4 5]
#  [6 7 8 6 7 8]
#  [0 1 2 0 1 2]
#  [3 4 5 3 4 5]
#  [6 7 8 6 7 8]], shape=(6, 6), dtype=int32)

五、张量的限幅

​

clip_by_value():

a = tf.range(10) #tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32) b = tf.maximum(a,2) #tf.Tensor([2 2 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)

​

c = tf.minimum(a,8) #tf.Tensor([0 1 2 3 4 5 6 7 8 8], shape=(10,), dtype=int32) d = tf.clip_by_value(a,2,8) #tf.Tensor([2 2 2 3 4 5 6 7 8 8], shape=(10,), dtype=int32)

<p>
    tf.nn.relu():relu激活函数
</p>

a = tf.range(10)
a = a-5
b = tf.nn.relu(a) #tf.Tensor([0 0 0 0 0 0 1 2 3 4], shape=(10,), dtype=int32)

tf.norm():保持方向不变，只改变模的大小，通过除以一个范数，再乘以模来实现

​

a = tf.random.normal([2,2],mean=10)
b = tf.clip_by_norm(a,15) #tf.Tensor([8.2,6.8,7.34,7.43]) 裁剪后整体的数norm,也就是一次范数的范数和为15
aa = tf.norm(b) #numpy=15.0001

六、高阶OP（高阶操作）

6.1找到特定坐标的tensor：

#找到大于0的tensor
a = tf.random.normal([3,3])
print(a)
mask = a>0
print(mask)
indices = tf.where(mask)
b = tf.gather_nd(a,indices)
print(b)

6.2跟新底板操作：tf.scatter_nd():其中的shape必须是空的模板即tensor底板

shape = tf.constant([8])
print(shape)
indices = tf.constant([[0],[2],[4],[7]])
updates = tf.constant([9,10,11,12])
a = tf.scatter_nd(indices,updates,shape) #tf.Tensor([ 9  0 10  0 11  0  0 12], shape=(8,), dtype=int32)

6.3 meshgrid()生成三维图像#找到大于0的tensor a = tf.random.normal([3,3]) print(a) mask = a>0 print(mask) indices = tf.where(mask) b = tf.gather_nd(a,indices) print(b)

 

import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np

def fun(points):

    z = tf.math.sin(points[...,0])+tf.math.cos(points[...,1])

    return z

x = tf.linspace(0.,2*3.14,500)
y = tf.linspace(0.,2*3.14,500)

mesh_x,mesh_y = tf.meshgrid(x,y)
points = tf.stack([mesh_x,mesh_y],axis=2)
print(points.shape)
z= fun(points)
print(z.shape)

# plt.figure('2d')
# plt.contourf((x,y),fun(points))
# plt.colorbar()
plt.figure('hight')
plt.contour(mesh_x,mesh_y ,z)
plt.colorbar()
plt.show()