Tensorflow学习笔记----合并分割、数据统计、张量排序

一．合并与分割（MergeAndSplit）

这里的合并于分割是基于张量提出的，所以我们要先理解一下张量是什么意思：

张量：几何代数中的张量是基于向量和矩阵的推广，通俗一点理解，我们可以将标量视为零阶张量，矢量视为一阶张量，矩阵就是二阶张量。

也就是说，我们可以将张量理解为n维数组。在Tensorflow中，张量其实就是tensor。

• 0维张量/标量：标量是一个数字
  1维张量/向量：1维张量称为“向量”。
  2维张量：2维张量称为矩阵
  3维张量：公用数据存储在张量，如：文本数据、彩色图片(RGB)
  张量合并与分割的方法：

tf.concat([a,b] , axis = n)：拼接，将a,b合并维度下标为n的维度，但a,b的其他维度必须相同；

tf.split(a,axis=n,num_or_size_splits=x)：将a在n维上分割为x份，或者将x改为[x,y,z]，则就分割为3份，每份分别为x,y,z；比unstack灵活性更强；

tf.stack([a,b] , axis = n)：堆叠，在n维上增加了一个维度，但a、b必须shape相同；

tf.unstack()：分割

练习代码如下：

import tensorflow as tf

a = tf.ones([4,35,8])
b = tf.ones([2,35,8])

#tf.concat([a,b] , axis = n)：拼接，
print(tf.concat([a,b],axis=0).shape) #合并维度下标为 axis的维度，但其他维度必须相同
#out:(6, 35, 8)

a = tf.ones([4,35,8])
b = tf.ones([4,35,8])
##tf.stack([a,b] , axis = n)，堆叠
print(tf.stack([a,b],axis=0).shape) #在axis上增加了一个维度，但a、b必须shape相同
#out:(2, 4, 35, 8)

cArray = tf.split(a,axis=0,num_or_size_splits=2) #在0维上被分割为2份
print(cArray[0].shape) #out:(2, 35, 8)
dArray = tf.split(a,axis=2,num_or_size_splits=[2,2,4]) #在0维上被分割为3份，比例为[2,2,4]
print(dArray[0].shape,dArray[1].shape,dArray[2].shape) #out:(4, 35, 2) (4, 35, 2) (4, 35, 4)

二．数据统计（DataStatistic）

tf.norm()：求范数

a = tf.ones([2,2])
#求二范数
print(tf.norm(a)) #out:tf.Tensor(2.0, shape=(), dtype=float32)
print(tf.sqrt(tf.reduce_sum(tf.square(a)))) #这个式子跟上面求范数是一个意思，就是从算法上实现norm():先求平方，在求和，再开根号
a = tf.ones([4,28,28,3])
print(tf.norm(a)) #out:tf.Tensor(96.99484, shape=(), dtype=float32)

a = tf.ones([2,2])
#求一范数
print(tf.norm(a,ord=2,axis=1)) #out:tf.Tensor([1.4142135 1.4142135], shape=(2,), dtype=float32)

tf.reduce_min/max/mean()：最大/小/均值

#tf.reduce_min/max/mean()：最大/小/均值

a = tf.random.normal([4,10])
print(tf.reduce_min(a),tf.reduce_max(a),tf.reduce_mean(a))#tf.Tensor(-3.5173497, shape=(), dtype=float32) tf.Tensor(2.455712, shape=(), dtype=float32) tf.Tensor(0.11045538, shape=(), dtype=float32)
print(tf.reduce_max(a,axis=1)) #可以专门求某一维度进行求

tf.argmax/argmin()：最大/小值的位置，分别输出每个维度中分别的最大/小值

print(tf.argmax(a)) 
#out:tf.Tensor([1 1 2 2 2 2 2 2 1 0], shape=(10,), dtype=int64)
#每个维度都求

tf.equal()：张量比较

a = tf.constant([0,2,3,2,5])
b = tf.range(5) #[0,1,2,3,4]
print(tf.equal(a,b)) #每个维度都比较，只有0维能相等
#out:tf.Tensor([ True False False False False], shape=(5,), dtype=bool)

res = tf.equal(a,b)
print(tf.reduce_sum(tf.cast(res,dtype=tf.int32))) #计算相等的个数
#out:tf.Tensor(1, shape=(), dtype=int32)

tf.unique()：独特值，即去除所有的重复值再返回，就是每个元素只出现一次

a = tf.range(5) #[0,1,2,3,4]
print(tf.unique(a))#全都不同
#Unique(y=<tf.Tensor: id=149, shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>, idx=<tf.Tensor: id=150, shape=(5,), dtype=int32, numpy=array([0, 1, 2, 3, 4])>)
a = tf.constant([3,2,3,2,5])
print(tf.unique(a))#3,2,5不同，后面的array就是每个数字第一次出现的下标
#Unique(y=<tf.Tensor: id=152, shape=(3,), dtype=int32, numpy=array([3, 2, 5])>, idx=<tf.Tensor: id=153, shape=(5,), dtype=int32, numpy=array([0, 1, 0, 1, 2])>)

三．张量排序（TensorSort）

tf.sort(a,direction=’DESCENDING/ASCENDING’)：排序，将a中的元素降序/升序输出，在二维中只在每一维中分别排序；

argsort(a,direction=’DESCENDING/ASCENDING’)：排序输出index，将a中的元素降序/升序排列后，按顺序输出其在a中原本的index；

tf.math.top_k(a,k)：最大的k个元素，二维中得到每一维的前k个值

a = tf.random.shuffle(tf.range(5))  #将[0,1,2,3,4]随机打乱
print(a)
#out:tf.Tensor([1 3 0 4 2], shape=(5,), dtype=int32)
#tf.sort(a,direction=’DESCENDING/ASCENDING’)：排序，将a中的元素降序/升序输出；
print(tf.sort(a,direction='DESCENDING'))    #降序排序,
# out:tf.Tensor([4 3 2 1 0], shape=(5,), dtype=int32)
#argsort(a,direction=’DESCENDING/ASCENDING’)：排序输出index，将a中的元素降序/升序排列后，按顺序输出其在a中原本的index；
print(tf.argsort(a,direction='DESCENDING'))     #降序输出每个元素在原本张量中的index
#tf.Tensor([3 1 4 0 2], shape=(5,), dtype=int32)

#二维测试
a = tf.random.uniform([3,3],maxval=10,dtype=tf.int32)
print(a)
# tf.Tensor(
# [[4 1 0]
#  [0 8 6]
#  [9 1 8]], shape=(3, 3), dtype=int32)
print(tf.sort(a))   #在二维中只在每一维中分别排序
# tf.Tensor(
# [[0 1 4]
#  [0 6 8]
#  [1 8 9]], shape=(3, 3), dtype=int32)
print(tf.argsort(a))
# tf.Tensor(
# [[2 1 0]
#  [0 2 1]
#  [1 2 0]], shape=(3, 3), dtype=int32)

#tf.math.top_k(a,k)：最大的k个元素，二维中得到每一维的前k个值
res = tf.math.top_k(a,2)    #二维中，找出每一维最大的两个
print(res.values)   #输出元素值
# tf.Tensor(
# [[4 1]
#  [8 6]
#  [9 8]], shape=(3, 2), dtype=int32)
print(res.indices)  #输出元素原本的Index
#tf.Tensor(
# [[0 1]
#  [1 2]
#  [0 2]], shape=(3, 2), dtype=int32)