tf2 学习笔记-杂记

tf.shape()

关于python函数中shape的解释：
shape包含在numpy库，是矩阵（ndarray）的属性，可以获取矩阵的形状（例如二维数组的行列），获取的结果是一个元组，因此相关代码如下：
import numpy as np
x = np.array([[1,2，3,4，5],[6,7，8,9，10],[10,9，8,7，6],[5,4，3]])
#输出数组的行和列数
print x.shape #结果： (4, 5)
#只输出行数
print x.shape[0] #结果： 4
#只输出列数
print x.shape[1] #结果： 5
————————————————
原文链接：https://blog.csdn.net/weixin_44804700/article/details/98874358

tf.split()

原来的维数不变，只是将要分割的维数的数据分割提取出来

tf.split(
    value,
    num_or_size_splits,
    axis=0,
    num=None,
    name='split'
)

这个函数是用来切割张量的。输入切割的张量和参数，返回切割的结果。
value传入的就是需要切割的张量。
这个函数有两种切割的方式：

以三个维度的张量为例，比如说一个20 * 30 * 40的张量my_tensor，就如同一个长20厘米宽30厘米高40厘米的蛋糕，每立方厘米都是一个分量。

有两种切割方式：

1. 如果num_or_size_splits传入的是一个整数，这个整数代表这个张量最后会被切成几个小张量。此时，传入axis的数值就代表切割哪个维度（从0开始计数）。调用tf.split(my_tensor, 2，0)返回两个10 * 30 * 40的小张量。
2. 如果num_or_size_splits传入的是一个向量，那么向量有几个分量就分成几份，切割的维度还是由axis决定。比如调用tf.split(my_tensor, [10, 5, 25], 2)，则返回三个张量分别大小为 20 * 30 * 10、20 * 30 * 5、20 * 30 * 25。很显然，传入的这个向量各个分量加和必须等于axis所指示原张量维度的大小 (10 + 5 + 25 = 40)。
   ————————————————
   原文链接：https://blog.csdn.net/wangxuecheng666/article/details/112118065

ZeroPadding2D

原文连接：https://www.cnblogs.com/LGJC1314/p/13403811.html

init(
padding=(1, 1),
data_format=None,
**kwargs
)

inp = np.random.randint(1,9,(2,2))
print(inp)

padding 为一个整数n 上下左右各补n个0

x = ZeroPadding2D(1)(input)
out = tf.keras.models.Model(input, x)(inp)
tf.print(tf.squeeze(out))

padding 为一维元祖(n, m)上下补n个0 左右补m个

x = ZeroPadding2D((1,0))(input)
out = tf.keras.models.Model(input, x)(inp)
tf.print(tf.squeeze(out))

padding 为二维元祖((n, m), (x, y))上补n个0 下补m个 左补x个0 右补y个0

x = ZeroPadding2D(((1,0), (1, 0)))(input)
out = tf.keras.models.Model(input, x)(inp)
tf.print(tf.squeeze(out))

SAME与VALID区别

原文链接：TensorFlow学习－－SAME与VALID区别

卷积后大小计算

原文链接：超详细的卷积后大小的计算公式

tf.concat()

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat([t1, t2], 0)
<tf.Tensor: shape=(4, 3), dtype=int32, numpy=
array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]], dtype=int32)>

tf.concat([t1, t2], 1)
<tf.Tensor: shape=(2, 6), dtype=int32, numpy=
array([[ 1, 2, 3, 7, 8, 9],
[ 4, 5, 6, 10, 11, 12]], dtype=int32)>

t1 = [[[1, 2], [2, 3]], [[4, 4], [5, 3]]]
t2 = [[[7, 4], [8, 4]], [[2, 10], [15, 11]]]
tf.concat([t1, t2], -1)
<tf.Tensor: shape=(2, 2, 4), dtype=int32, numpy=
array([[[ 1, 2, 7, 4],
[ 2, 3, 8, 4]],
[[ 4, 4, 2, 10],
[ 5, 3, 15, 11]]], dtype=int32)>

原文链接：tf.concat()详解

tf.tile()

a = tf.constant([[1,2,3],[4,5,6]], tf.int32)
b = tf.constant([1,2], tf.int32)
tf.tile(a, b)
<tf.Tensor: shape=(2, 6), dtype=int32, numpy=
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]], dtype=int32)>
c = tf.constant([2,1], tf.int32)
tf.tile(a, c)
<tf.Tensor: shape=(4, 3), dtype=int32, numpy=
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]], dtype=int32)>
d = tf.constant([2,2], tf.int32)
tf.tile(a, d)
<tf.Tensor: shape=(4, 6), dtype=int32, numpy=
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6],
[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]], dtype=int32)>
原文链接：直观的理解tensorflow中的tf.tile()函数

tf.range()

原文链接：https://www.cnblogs.com/cvtoEyes/p/9002843.html

tf.repeat()

repeat([[1, 2], [3, 4]], repeats=[2, 3], axis=0)
<tf.Tensor: shape=(5, 2), dtype=int32, numpy=
array([[1, 2],
[1, 2],
[3, 4],
[3, 4],
[3, 4]], dtype=int32)>

repeat([[1, 2], [3, 4]], repeats=[2, 3], axis=1)
<tf.Tensor: shape=(2, 5), dtype=int32, numpy=
array([[1, 1, 2, 2, 2],
[3, 3, 4, 4, 4]], dtype=int32)>
repeat(3, repeats=4)
<tf.Tensor: shape=(4,), dtype=int32, numpy=array([3, 3, 3, 3], dtype=int32)>

repeat([[1,2], [3,4]], repeats=2)
<tf.Tensor: shape=(8,), dtype=int32,
numpy=array([1, 1, 2, 2, 3, 3, 4, 4], dtype=int32)>

原文链接：https://blog.csdn.net/weixin_43834407/article/details/106540816

tf.squeeze()

tf.squeeze()函数用于从张量形状中移除大小为1的维度

‘t’ is a tensor of shape [1, 2, 1, 3, 1, 1]
tf.shape(tf.squeeze(t)) # [2, 3]
‘t’ is a tensor of shape [1, 2, 1, 3, 1, 1]
tf.shape(tf.squeeze(t, [2, 4])) # [1, 2, 3, 1]

tf.reduce_max()函数的用法详解

求最大值

import tensorflow as tf
import numpy as np
 
a=np.array([[1, 2],
            [5, 3],
            [2, 6]])
 
b = tf.Variable(a)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(b))
    print('************')
    # 对于二维矩阵，axis=0轴可以理解为行增长方向（向下）即按列求最值,axis=1轴可以理解为列增长方向(向右）按列行求最值
    print(sess.run(tf.reduce_max(b, axis=1, keepdims=False)))  # keepdims=False,axis=1被消减，不保持原状，本来shape为（3,1），后来变成（1,3）了
    print('************')
    print(sess.run(tf.reduce_max(b, axis=1, keepdims=True)))
    print('************')
    print(sess.run(tf.reduce_max(b, axis=0, keepdims=True)))

https://blog.csdn.net/hgnuxc_1993/article/details/116940059

tf.gather

从params的axis维根据indices的参数值获取切片

https://blog.csdn.net/u012193416/article/details/86516009