,tf.convert_to_tensor,tf.one_hot,tf.reduce_mean

这是个很有用的函数，我们经常需要将python的数据类型转换成TensorFlow可用的tensor数据类型，所以仔细研究一下这个函数还是很有必要的。

参考官方说明文档

format:convert_to_tensor(value, dtype=None, name=None, preferred_dtype=None)

 Args:
      value: An object whose type has a registered `Tensor` conversion function.(这个说明这个函数只能转换特定的python数据类型)
      dtype: Optional element type for the returned tensor. If missing, the（可以指定转化成tensor后输出的数据类型）
        type is inferred from the type of `value`.
      name: Optional name to use if a new `Tensor` is created.
      preferred_dtype: Optional element type for the returned tensor,
        used when dtype is None. In some cases, a caller may not have a
        dtype in mind when converting to a tensor, so preferred_dtype
        can be used as a soft preference.  If the conversion to
        `preferred_dtype` is not possible, this argument has no effect.

    Returns:
      An `Output` based on `value`.（显然这个函数转换python成TensorFlow可用的tensor，但是具体的数类型还是有参数value决定）

This function converts Python objects of various types to `Tensor` objects. It accepts `Tensor` objects, numpy arrays, Python lists and Python scalars. 

翻译过来：这个函数把python的变量类型转换成tensor，而这个value可以是tensor，numpy arrays(numpy 的数组)，python list（python 列表）python的表量

 

import tensorflow as tf
import numpy as np

a=np.array([[1,2,3],[4,5,6],[7,8,9]])
print (a)
b=tf.constant(a)

with tf.Session() as sess:
    print (b)
    for x in b.eval():      #b.eval()就得到tensor的数组形式
        print (x)

    print ('a是数组',a)

    tensor_a=tf.convert_to_tensor(a)
    print ('现在转换为tensor了...',tensor_a)

 

结果：

[[1 2 3]
 [4 5 6]
 [7 8 9]]

Tensor("Const:0", shape=(3, 3), dtype=int64)

[1 2 3]
[4 5 6]
[7 8 9]

a是数组 [[1 2 3]
 [4 5 6]
 [7 8 9]]

现在转换为tensor了... Tensor("Const_1:0", shape=(3, 3), dtype=int64)

tf.one_hot:

输出指定tensor的one_hot编码，第二个参数为输出的长度

classes = 3
labels = tf.constant([0,1,2]) # 输入的元素值最小为0，最大为2
output = tf.one_hot(labels,classes)

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

输出结果：

[[1. 0. 0.]
 [0. 1. 0.]
 [0. 0. 1.]]

 

 

tf.reduce_mean:
tf.reduce_mean 函数用于计算张量tensor沿着指定的数轴（tensor的某一维度）上的的平均值，主要用作降维或者计算tensor（图像）的平均值。

reduce_mean(input_tensor,
                axis=None,
                keep_dims=False,
                name=None,
                reduction_indices=None)

第一个参数input_tensor： 输入的待降维的tensor;
第二个参数axis： 指定的轴，如果不指定，则计算所有元素的均值;
第三个参数keep_dims：是否降维度，设置为True，输出的结果保持输入tensor的形状，设置为False，输出结果会降低维度;
第四个参数name： 操作的名称;
第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;


x = [[1, 2, 3],
     [1, 2, 3]]

xx = tf.cast(x, tf.float32)

mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)

with tf.Session() as sess:
  m_a, m_0, m_1 = sess.run([mean_all, mean_0, mean_1])
  print(m_a)
  print(m_0)
  print(m_1)

输出结果：

2.0
[1. 2. 3.]
[2. 2.]

xx = tf.constant([[[1., 1, 1],
                   [2., 2, 2]],
                  [[3, 3, 3],
                   [4, 4, 4]]])
m3 = tf.reduce_mean(xx, axis=(0,1))

with tf.Session() as sess:
  print(sess.run(m3))

现在给定的xx是一个三维的矩阵，给定的axis为0，1，也就是说要要消除前两个维度，只保留第三个维度，第三维是有三个元素，那么输出的结果也是有三个元素。[1., 1, 1]，[2., 2, 2]，[3，3，3]，[4，4，4]各拿出一个来做一个平均就能达到只保留第三个维度的作用。因此最后的结果是[2.5 2.5 2.5]

m3 = tf.reduce_mean(xx, axis=(1，2))

现在的意思是保留第一个维度，第一个维度只有两个元素，那么reduce之后的结果也是只有两个元素。当前第一位的两个元素分别是[[1., 1, 1], [2., 2, 2]]，[[3, 3, 3], [4, 4, 4]]那么就是111222，333444分别求均值就行了。结果是[1.5 3.5]

m3 = tf.reduce_mean(xx, axis=(0，2))

只保留第二维，第二维的元素个数是两个，因此最后输出的结果也是只有两个，第三维直接求平均之后消除了第三维，结果是

[[1. 2.]
 [3. 4.]]

然后再消除第一维，结果是[2. 3.]

 

m3 = tf.reduce_mean(xx, axis=0) 

消除第一维，保留第二维和第三维，第一维的两个元素分别是[[1., 1, 1], [2., 2, 2]]，[[3, 3, 3], [4, 4, 4]]，那么这两个元素对应位置直接求平均就ok，输出的结果是

[[2. 2. 2.]
 [3. 3. 3.]]

m3 = tf.reduce_mean(xx, axis=1) 

消除第二维，保留第一维和第三维。[1., 1, 1], [2., 2, 2]对应位置求平均，[3, 3, 3], [4, 4, 4]对应位置求平均就可以消除

[[1.5 1.5 1.5]
 [3.5 3.5 3.5]]

m3 = tf.reduce_mean(xx, axis=2) 

消除第三维，直接第三维上的三个数求平均就行了，结果是

[[1. 2.]
 [3. 4.]]