Tensorflow学习笔记（一）

batch_size = tf.size(labels)
labels = tf.expand_dims(labels, 1)
indices = tf.expand_dims(tf.range(0, batch_size, 1), 1)
concated = tf.concat(1, [indices, labels])
onehot_labels = tf.sparse_to_dense(
    concated, tf.stack([batch_size, NUM_CLASSES]), 1.0, 0.0)

以上这段代码将类标识转换为onehot型的类标识。
假设batch_size大小为5，NUM_CLASSES为10。
初始的labels=[3,5,2,9,6]
则第二行代码后labels的shape变为（5，1）

labels=[[3],[5],[2],[9],[6]]

第三行产生的indices的shape也为（5，1）

indices=[[0],[1],[2],[3],[4]]

第四行产生的concated

concated=[[0,3],[1,5],[2,2],[3,9],[4,6]]

最后的onehot_labels

onehot_labels=[[0,0,0,1,0,0,0,0,0,0],
               [0,0,0,0,0,1,0,0,0,0],
               [0,0,1,0,0,0,0,0,0,0],
               [0,0,0,0,0,0,0,0,0,1]
               [0,0,0,0,0,0,1,0,0,0]]

函数解释
tf.expand_dims(Tensor, dim)
在张量Tensor的第dim维插入一个维度。

sess = tf.InteractiveSession()
labels = [1,2,3]
x = tf.expand_dims(labels, 0)
print(sess.run(x))
x = tf.expand_dims(labels, 1)
print(sess.run(x))
#>>>[[1 2 3]]
#>>>[[1]
#    [2]
#    [3]]

---

tf.concat(concat_dim, values, name=’concat’)
除去name参数用以指定该操作的name，与方法有关的一共两个参数：
第一个参数concat_dim：必须是一个数，表明在哪一维上连接

t1 = [[1, 2, 3], [4, 5, 6]]  
t2 = [[7, 8, 9], [10, 11, 12]]  
tf.concat(0, [t1, t2]) == > [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]] 

t1 = [[1, 2, 3], [4, 5, 6]]  
t2 = [[7, 8, 9], [10, 11, 12]]  
tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]   

---

tf.sparse_to_dense(sparse_indices, output_shape, sparse_values, default_value, name=None)
除去name参数用以指定该操作的name，与方法有关的一共四个参数：
第一个参数sparse_indices：稀疏矩阵中那些个别元素对应的索引值。有三种情况：

 sparse_indices是个数，那么它只能指定一维矩阵的某一个元素

 sparse_indices是个向量，那么它可以指定一维矩阵的多个元素

 sparse_indices是个矩阵，那么它可以指定二维矩阵的多个元素

第二个参数output_shape：输出的稀疏矩阵的shape

第三个参数sparse_values：个别元素的值。分为两种情况：

 sparse_values是个数：所有索引指定的位置都用这个数

 sparse_values是个向量：输出矩阵的某一行向量里某一行对应的数（所以这里向量的长度应该和输出矩阵的行数对应，不然报错）

第四个参数default_value：未指定元素的默认值，一般如果是稀疏矩阵的话就是0了