张量的存储和视图
我们有4个班级的同学,每个班又分为5个小组,每个小组内有10个人,按照从1~10进行编号,这就是逻辑组织。
如果我们把所有的同学们都排成一队,虽然在物理上看起来是一维的,但是在逻辑上仍然是按照班级小组来组织管理的,我们可以通过班级号.组号.组内序号的方式来唯一指定任何一位同学,例如这是2班3组的第6位同学。
现在,如果我们将这4个班合并成两个班,每个班10组,那么我们只需要修改学生的班级号和组号就可以了,也就是说逻辑上的形状发生了改变,但是同学们的物理位置保持不变。
同样,当多维张量进行维度变换时,很多时候也只是改变了逻辑上的索引方式,它在内存中的存储情况并没有发生任何改变,我们把张亮的逻辑组织方式称为视图,而把他在内存中的物理组织方式称为存储。
改变张量的形状
tf.reshape(tensor, shape)
tensor是要改变的张量对象,
shape是要改变的形状,可以是元组或列表
import tensorflow as tf
a = tf.range(24)
b = tf.reshape(a, [2, 3, 4])
"""
<tf.Tensor: id=5, shape=(2, 3, 4), dtype=int32, numpy=
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])>
"""
为了更加简洁,可以首先生成一个三维的numpy数组,再用constant转成tensor
tf.constant(np.arange(24).reshape(2, 3, 4))
"""
<tf.Tensor: id=6, shape=(2, 3, 4), dtype=int32, numpy=
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])>
"""
tf.reshape(b, [4, -1])
"""
<tf.Tensor: id=8, shape=(4, 6), dtype=int32, numpy=
array([[ 0, 1, 2, 3, 4, 5],
[ 6, 7, 8, 9, 10, 11],
[12, 13, 14, 15, 16, 17],
[18, 19, 20, 21, 22, 23]])>
"""
shape参数=-1:自动给推导出长度。
多维张量的轴:张量的维度
轴也可以是负数,表示从后向前索引。一般在高维的情况下,如果我们想对后面的维度进行操作,使用负数的索引会更加的方便,在变换张量的维度、计算张量的统计信息,以及张量元素之间进行运算时,都有可能用到轴的概念。
增加维度
在tensorflow中,可以使用tf.expand_dims(input, axis)函数,给张量增加一个维度,其中参数input是输入的张量参数,axis指明要在哪个轴上增加,维度增加的这个维度上,长度为1。
例如创建一个一维的张量,它的形状是2,那么使用tf.expand_dims(input, axis)函数,如果参数x=1就是指增加的维度,在序号为1的轴上因此增加维度后,张量的形状是(2, 1)。
下面是三维数组的例子
删除维度
tf.squeezr(input, axis)
只能删除长度为1的维度。
input是输入张量,axis是要删除的轴的索引号。如果axis参数省略,会自动删除所有长度为1的维度。
增加维度和删除维度,只是改变了张量的视图,不会改变张量的存储。
交换维度
tf.transponse(a, perm)
对于二维张量,就是矩阵的转置。
参数perm是各个轴的顺序,可以通过perm调整轴的顺序,从而改变张量的形状。
将(0, 1)变成了(1, 0),也就是进行了转置
交换维度,不仅改变了张量的视图,同时也改变了张量的存储顺序。
拼接和分割
拼接张量
tf.concat(tensors, axis)
参数tensors是一个列表,包含所有需要拼接的张量,
axis指定在哪个轴上进行拼接,拼接不会产生新的维度。
同样,这里axis也可以是负数,-1表示最后一个维度的索引。
分割张量
将一个张量拆分成多个张量,分割后维度不变。
tf.split(tensors, num_or_size_splits, axis=0)
- tensors:待分割的张量
- axis:指明按照哪个轴分割,默认值为0
- num_orsize_splits:分割的方案
- 当这个值是单个的值时表示切割的份数
2:分割成两个张量 - 当这个值是一个列表时
[1:2:1]:就表示分割成三个张量,长度是1,2,1
- 当这个值是单个的值时表示切割的份数
在axis=0上分割,分割成两个
分割成3个
在axis=1上分割,分割成两个
图像的分割和拼接,改变了张量的视图,张量的存储顺序并没有改变。
堆叠和分解
堆叠张量
合并张量时,创建一个新的维度
tf.stack(tensors, axis)
tensors:是要堆叠的多个张量
axis:指定插入新维度的位置
3个形状为(4,)的张量堆叠,
axis=0:(3, 4)
axis=1:(4, 3)
分解张量
将张量分解为多个张量
分解后得到的每个张量,和原来的张量相比,维数都少了一维。
tf.unstack(tensor, axis)