tensorflow2.0自学笔记-03-基本操作-01

索引和切片

通过index

• 与大家熟悉的编程语言的索引方式一致：一维数组用a[index]，二维数组用a[index1][index2]，以此类推。
• numpy风格的索引，用一个[]符号索引，例如：a[1][1] <–> a[1, 1]。
• start : end，索引，即切片，例如：a=[0,1,2,3,4,5,6,7,8,9]，想选取[3，4，5]的操作是a[3:6]；特殊的，只写一个“:”，即a[:]是该维度所有数据都取；此用法可以实现数组的反向，实现：a[:-1]。
• start : end : ste，增加一个步长，可以实现间隔取数。
• ::ste，双冒号索引，此用法可以实现数据的逆序，实现：a = a[::-1]，a就变为[9,8,7,6,5,4,3,2,1,0]，如果用[::-2]的话，就是倒序间隔一个采样。
• …：三点号索引方式；比如有一个四维数据a[4, 28, 28 3]，使用a[1, …]的话，意思是第一维取第一行，后面的数据全取。

使用tensorflow方法

tf.gather

对于多维数组，可以实现某一维度的数据可以任一取，例如一个shaoe为a = [4, 28, 28, 3]的数据，
我们想在w维度，即第三维的数据上实现索引号为[7,3,25,1]的采样顺序，那么可以直接用tf.gather(a, axis=2,indices=[7,3,25,1])，得到的就是一个shaoe为[4, 28, 4, 3]的数据。

tf.gather_nd

同时操作多个维度的数据时使用，用法：tf.gather_nd(tensor, [index, index…])，或者：tf.gather_nd(tensor, [[1,1],[2,2]…]) 实际就是取tensor[index, index,…]的数据。
recommended indices format（格式如下）：

• [[0], [1], …]
• [[0,0], [1,1], …]
• [[0,0,0], [1,1,1], …]

tf.boolean_mask

利用ture或false来实现采样的方式。

数据维度变换

数据的属性：shape就是数据的形状，ndim时数据的维度数。

reshape

reshape可以改变数据维度，但是不改变数据本身，因此变化是双向的。

a = tf.random.normal([4, 28, 28, 3])
print(a.shape)
print(a.ndim)

# 降为三位
a = tf.reshape(a, [4, 784, 3])
print(a.shape)
print(a.ndim)

# 降为二维
a = tf.reshape(a, [4, 784*3])
print(a.shape)
print(a.ndim)


# 反向升为三维
a = tf.reshape(a, [4, 784, 3])
print(a.shape)
print(a.ndim)

# 反向升为四维
a = tf.reshape(a, [4, 28, 28, 3])
print(a.shape)
print(a.ndim)

输出：

4, 28, 28, 3)
4
(4, 784, 3)
3
(4, 2352)
2
(4, 784, 3)
3
(4, 28, 28, 3)
4

transpose

transpose可以交换维度位置：

# 创建一个tensor
b = tf.random.normal([4, 20, 28, 3])
print(b.shape)
print(b.ndim)

# 交换最后两个轴
b = tf.transpose(b, perm=[0, 1, 3, 2])
print(b.shape)
print(b.ndim)

# 第一个轴不变，后面三个轴逆序
b = tf.transpose(b, perm=[0, 3, 2, 1])
print(b.shape)
print(b.ndim)

输出：

(4, 20, 28, 3)
4
(4, 20, 3, 28)
4
(4, 28, 3, 20)
4

增加和减少维度

squeeze：去掉某一维度数据，当且仅当shape=1的dim可以使用此方法去掉；当指定轴时会去掉指定轴的dim，当没有指定轴时会直接去掉全部shape=1的dim。
expand_dims：在固定位置增加一维数据，当给定的轴是正数时，是在给定的轴的前面增加，当给定的轴是负数时，是给定的轴的后面增加。

# 创建一个tensor
a = tf.reshape(a, [4, 28, 28, 3])
print(a.shape)
print(a.ndim)

# 在0维前面增加一维
a = tf.expand_dims(a, axis=0)
print(a.shape)
print(a.ndim)

# 去掉第0维
a = tf.squeeze(a, axis=0)
print(a.shape)
print(a.ndim)

# 在第二维前面增加一维
a = tf.expand_dims(a, axis=2)
print(a.shape)
print(a.ndim)

#去掉第二维
a = tf.squeeze(a, axis=2)
print(a.shape)
print(a.ndim)

# 创建一个tensor
a =tf.random.normal( [4, 1, 28, 1, 1, 2, 1])
print(a.shape)
print(a.ndim)

# 不指定轴时默认去掉全部shape=1的dim
a = tf.squeeze(a)
print(a.shape)
print(a.ndim)

输出：

(4, 28, 28, 3)
4
(1, 4, 28, 28, 3)
5
(4, 28, 28, 3)
4
(4, 28, 1, 28, 3)
5
(4, 28, 28, 3)
4

(4, 1, 28, 1, 1, 2, 1)
7
(4, 28, 2)
3