TensorFlow有用的函数介绍

tf.gather

gather是很有用的函数，它可以按照指定轴（axis），把tensor的子集提取出来。这在NMS中特别有用。下面我们看一个例子。

import tensorflow as tf
import numpy as np

aa = np.diag([1,2,3,4])
print('aa is ',aa)
a = tf.convert_to_tensor(aa)
index = tf.constant([3,2,1,0])
b = tf.gather(a,index,axis=0)  # by default axis=0
with tf.Session() as sess:
    print(sess.run(b))

这里我们使用numpy建了一个对角矩阵aa：

aa is  
[[1 0 0 0]
 [0 2 0 0]
 [0 0 3 0]
 [0 0 0 4]]

然后gather的axis指定为0，意思就是从第一个维度抽取子集，如何抽取，根据index给的顺序。

index的值为[3,2,1,0]，意思就是先把在第一个维度中排在第4位（3+1）的子集拿出来，放在新的tensor里面，排在第一位。

再把a里面排在第3位（2+1）的子集拿出来放在上一个拿出来的tensor的后面，以此类推。

好好观察，即可发现，这个函数的作用不仅仅是拿出我们需要的子集，如果index的长度和指定的axis的维度一样长，还具有重新排序的效果。

tf.reduce_prod

这个函数有一个reduce字眼，说明是有降维的作用的。看一个例子就知道是做啥的。prod往往意味着product（相乘），

import tensorflow as tf
import numpy as np

aa = np.array([[1,2,3,4],
               [2,3,4,5],
               [3,4,5,6]])
print('aa is ',aa)
a = tf.convert_to_tensor(aa)
b = tf.reduce_prod(a)  # by default axis=None

with tf.Session() as sess:
    print(sess.run(b))

输出是：

注意，如果tf.reducea_prod的axis选用默认值None，也则会在全局上，也就是整个tensor上所有元素求积。

现在我们指定axis为1 （-1）试试

b = tf.reduce_prod(a,axis=1)  # by default axis=None

结果就是在第二维度上，整个求积。tensor的shape变化为（3x4）->（3，），大家也可以自行验证axis为0该是输出什么？

 

tf.boolean_mask

这个函数就更加有用了！在numpy中，我们在一个矩阵中寻找满足某一条件的值得位置的时候，我们可以使用np.where，一种更加有效的方式是：

index = [a==condition]
a[index] = xxxxxx

但是tenorflow是不支持这种操作的，因为tensor类型的向量不能作为index。tensor类型的标量是可以的，（文档里面确实提到了）见下面这个错误提示：

TypeError: Only integers, slices (`:`), ellipsis (`...`), 
tf.newaxis (`None`) and scalar tf.int32/tf.int64 tensors are valid indices,
 got <tf.Tensor 'Const_1:0' shape=(1,) dtype=int32>

但是tensorflow提供了tf.boolean_mask来帮助我们实现这种操作。见下面一个例子：

import tensorflow as tf
import numpy as np

aa = np.array([[1,2,3,4],
               [2,3,4,5],
               [3,4,5,6]])
a = tf.convert_to_tensor(aa)
index = a >= 3
b = tf.boolean_mask(a,index)
with tf.Session() as sess:
    print(sess.run(index))
    print(sess.run(b))

这样就把对应为True的元素提取出来了。注意这个函数也是有axis的，我们可以指定它，这时候，index就必须是向量不能是矩阵了。见下面的例子。

import tensorflow as tf
import numpy as np

aa = np.array([[1,2,3,4],
               [2,3,4,5],
               [3,4,5,6]])
a = tf.convert_to_tensor(aa)
index = tf.constant([False,True,False],tf.bool)
b = tf.boolean_mask(a,index,axis=0)
with tf.Session() as sess:
    print(sess.run(index))
    print(sess.run(b))

也就是只把为True对应的子集抽取出来，并且没有降低tensor的维度。注意上面是有两对[][]的

tf.logical_or

逻辑或，用法十分简单，保证参数的形状相同即可。四种逻辑运算都是以tf.logical_开头。省略

tf.diag_part

这个函数用来抽取方阵的对角线。假设我们现在有这样一个场景，一个分类网络，输出是[Batch_size，classes_num]这样的张量，我们想知道每一个样本对应的最大的index，可以使用tf.argmax，获得一个[Batch_size，]的张量。下面我们想把每一个样本的概率抽取出来，该怎么做呢？看下面的例子。（当然最直接的方法是tf.reduce_max）

import tensorflow as tf
import numpy as np

aa = np.random.randn(10,5)
a = tf.convert_to_tensor(aa)
index = tf.argmax(a,axis=1)
b = tf.gather(a,index,axis=1)  # 这里的b是对称矩阵，不行自己可以观察结果
max_value = tf.diag_part(b)

with tf.Session() as sess:
    print(sess.run(max_value))
    print(np.max(aa,axis=-1))

tf.where

这个函数和np.where很类似，有两种用法：

• tf.where(condition)
• tf.where(condition,x=a,y=b)

先看第一种用法：

import tensorflow as tf
import numpy as np

aa = np.array([[1,2,3,4],
               [2,3,4,5],
               [3,4,5,6]])
a = tf.convert_to_tensor(aa)
b = tf.where(a>=3)

with tf.Session() as sess:
    print(sess.run(b))

输出的信息中可以发现，双重列表中的每一个元素也是一个列表，这个列表的内容记录了每一个满足condition的元素的位置。比如[0,2]，就是说a[0][2]是满足条件的。这个和np.where的输出还有点区别，我记得numpy.where输出的是每一个轴上的index。

再看第二种用法：

import tensorflow as tf
import numpy as np

aa = np.array([[1,2,3,4],
               [2,3,4,5],
               [3,4,5,6]])
a = tf.convert_to_tensor(aa)
b = tf.where(a>=3,x=a,y=tf.tile([[0]],multiples=[3,4]))

with tf.Session() as sess:
    print(sess.run(b))

输出是：

这段代码所要执行的是：如果a>=3的条件满足，则从x中选出对应的值放入新的tensor里面，如果不满足，则从y中选取值放到新tensor对应的位置中。所以x,y的shape必须一致，我这里用了tf.tile生成(3,4）的全0阵。

 

tf.scatter_nd

这个我还没看懂，暂时记下