tensor 增加一维度_Tensorflow：图解维度及split、slice、stack、concat和pad

转载请注明出处 https:// zhuanlan.zhihu.com/p/84 596759

一、tensor属性

两个tensor如下

a1=[[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]],
[[11, 21, 31], [41, 51, 61], [71, 81, 91], [101, 111, 121]]]
# 展开如下
"""
[
    [[1, 2, 3], 
    [4, 5, 6],
    [7, 8, 9],
    [10, 11, 12]],

    [[11, 21, 31], 
    [41, 51, 61], 
    [71, 81, 91],
    [101, 111, 121]],
]
"""
a2 = [[1, 2, 3], [4, 5, 6]]
# 展开如下
"""
a2=[
    [1, 2, 3], 
    [4, 5, 6]
]
"""
t1 = tf.constant(a1, dtype=tf.int32)
t2 = tf.constant(a2, dtype=tf.int32)

1.rank

就是有几个维度，也相当与有几个括号，也是shape元组的长度，rank的idx计数都是从外向里，从大到小，也就是shape的排列方式。

t1._rank=3
t2._rank=2

图中数字表示rank的idx，箭头表示idx的方向。

2.shape

2.1基本

维度信息，表示在每个rank有多少”层“，两者的shape分别如下

t1.shape=(2, 4, 3)
t2.shape=(2, 3)

从后往前看：最后一维表示单位向量有几个元素，倒数第二维则是有几个单位向量，依次向前。

从前向后看：第一维表示几个后几维组成的张量，第二维表示几个后几维组成的张量。

2.2图片表示法

在tf中，图像一般被表示为一个rank=4的张量，