【tensorflow学习】tf.stack数据组织方式的理解

前言

很多博客只是把stack()函数的维度变化做了说明，但是在高维中axis取值对数据组织方式的变化并没有说明清楚。本文结合例子和图片对此进行了详细说明。

函数参数

stack(values, axis=0, name='stack')
Args:
      values: 一个张量的列表，里面的张量必须有相同的shape和dtype
      axis: 整数，指定堆叠的维度，为-1时表示在最后一维堆叠
      name: A name for this operation (optional).

    Returns:
      output: A stacked `Tensor` with the same type as `values`.

该函数与**numpy.stack()功能相同；
与tf.concat()**不同之处在于：stack会增加一个维度，concat保持原维度不变；stack只能堆叠shape相同的张量，concat则不一定。

例子说明

import tensorflow as tf
a = tf.constant([[1,2,3],[4,5,6]],dtype=tf.float32)
b = tf.constant([[7,8,9],[10,11,12]],dtype=tf.float32)
c0 = tf.stack([a,b], axis=0)
c1 = tf.stack([a,b], axis=1)
c2 = tf.stack([a,b], axis=2)

with tf.Session() as sess:
	print(sess.run([c0, tf.shape(c0)]))
	print(sess.run([c1, tf.shape(c1)]))
	print(sess.run([c2, tf.shape(c2)]))

结果：

c0，shape=(2,2,3)
c1, shape=(2,2,3)
c2, shape=(2,3,2)
加粗的为新增的维度所在位置，用图片表示如下：

原始张量 a, b。numpy和tf中数据都是按行组织的，所以每行颜色相同，数据再组织的原则也是：以原始行数据为基本单元进行拼接。

（1）axis=0时，相当于在batch上做堆叠，即batch数增多，原来数据组织方式不变。
（2）axis=1时，将原来的(2,3)数据拆解为：(2, insert, 3)。表示为2个batch，insert行，3列。取a和b中相同的行，并沿着行的方向（axis=1）进行拼接。
（3）axis=2时，即拆解为(2,3, insert)。同样，取a，b中相同的行，但沿着列的方向（axis=2）进行拼接。

看着图片理解就很明白了。