Tensorflow-维度

一、获取维度

1.1 tf.shape()

1.1.1 函数信息

tf.shape(
    input, name=None, out_type=tf.dtypes.int32
)

• out_type:
  返回的结果是哪种类型的Tensor。

注意：返回的结果是Tensor，在喂入数据前不可知

1.1.2 例子

input = tf.placehold([None, 64, 128], dtype=tf.float)

input = tf.reshape(input, [-1, tf.shape(input)[1], 4, 32])     
# 这样input的shape就是 [None, None, 4, 32]了。

scale_value = tf.math.sqrt(tf.shape(input, tf.float32)[1])     # 这样会报错

1.2 get_shape().as_list()

Tensor类型，可以调用该函数得到各个维度信息。

1.2.1 函数信息

返回的结果是List。

1.2.2 代码

Q = tf.placeholder(shape=[None, 32, 32], dtype=tf.float32)

print(Q.get_shape().as_list)

结果是[None, 32, 32]

二、更改维度

2.1 tf.reshape()

2.1.1 函数信息

tf.reshape(
    tensor, shape, name=None
)

• shape
  A Tensor. Must be one of the following types: int32, int64.

2.1.2 代码

例一：

import numpy as np 
import tensorflow as tf

input = tf.placeholder(shape=[None, 32, 32], dtype=tf.float32)

# 这里是没问题的
output1 = tf.reshape(input, tf.shape(input)[-1])
# 这里是有问题的
output2 = tf.reshape(input, tf.shape(input)[0])

with tf.Session() as sess:
	sess.run(tf.global_variables_initializer())
	
	print_output1, print_output2 = 
				   sess.run([output1, output2], feed_dict={input: np.random.normal([16, 32, 32]) })

注意：因为tf.shape(input)[0]是None, 所以用来初始化reshape是有问题的。

例二：

x = tf.constant([[1, 2, 3, 4, 5, 6],
				 [8, 7, 6, 5, 4, 3]])             # [2, 4]

x = tf.reshape(x, [2, 3, 2])

# [[[1, 2],
    [3, 4],
    [5, 6]],
   [[8, 7],
    [6, 5],
    [4, 3]]]

可以看出，最后一维是dim维。

2.2 tf.transpose()

2.2.1 函数信息

tf.transpose(
    a, perm=None, name='transpose', conjugate=False
)

• perm:
  如果没指定，等价于perm = [n-1, n-2 ,n-3, n-4]

2.2.2 代码

例一：

x = tf.constant([[1, 2, 3], [4, 5, 6]])
tf.transpose(x, perm=[1, 0])  
			     # [[1, 4]
                 #  [2, 5]
                 #  [3, 6]]

其实transpose就是转置：
因为perm = [1, 0], 原始维度是[2, 3]，所以经过transpose后变成[3, 2]。

第一行变成第一列，第二行变成第二列。

例二：

x = tf.constant([[[ 1,  2,  3],
                  [ 4,  5,  6]],
                 [[ 7,  8,  9],
                  [10, 11, 12]]])

tf.transpose(x, perm=[0, 2, 1])
					# [[[1,  4],
                    #   [2,  5],
                    #   [3,  6]],
                    #  [[7, 10],
                    #   [8, 11],
                    #   [9, 12]]]

转置的是后两维, 所以只看最后两维即可。
先看第一维中的第一个

[[1, 2, 3],                                 [[1, 4], 
 [4, 5, 6]]               变为                [2, 5], 
 											  [3, 6]]

第一维中的第二个同理

[[ 7,  8,  9],								 [[7, 10],
 [10, 11, 12]]            变为                 [8, 11], 
 											   [9, 12]] 

例三：

x = tf.constant([[[ 1,  2,  3],
                  [ 4,  5,  6]],
                 [[ 7,  8,  9],
                  [10, 11, 12]]])		# [2, 2, 3]

tf.transpose(x, perm=[2, 0, 1])

假设原始x最后一维是multi-head(其实一般最后一维都是dimension)。先忽略，并且降一维度。[2, 2, 3] -> [2, 2]
因为多头，最后一维有3列，所以可以分为3个[2, 2]

[[1, 4],					[[2, 5],                           [[3, 6], 
 [7, 10]]				     [8, 11]]                           [9, 12]]

然后再在第0维进行拼接, 然后就是最后的结果。

[[[1, 4], 
  [7, 10]], 
 [[2, 5],
  [8, 11]], 
 [[3, 6], 
  [9, 12]]]

例四：

x = tf.constant([[[1,  2,  3],
                  [4,  5,  6]],
                 [[7,  8,  9],
                  [10, 11, 12]]])		# [2, 2, 3]

tf.transpose(x, perm=[1, 0, 2])

最后一个维度没有变：将[1, 2, 3]当作一个整体，降维：

[[1, 4], 
 [7, 10]]

然后因为是perm = [1, 0]， 所以：

[[1, 7], 
 [4, 10]]

再将之前整合后的整体拆分出来, 这样就得到最后结果了。

[[[1, 2, 3], 
  [7, 8, 9]], 
 [[4, 5, 6],
  [10, 11, 12]]]

2.3 tf.split()

2.3.1 函数信息

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

• num_or_size_splits：
  切分次数
• axis：
  切分的维度