Tensorflow高阶操作——合并与分割

合并与分割

tf.concat  #拼接
tf.split  # 分割
tf.stack  # 堆叠
tf.unstack #分割，unstack是split中的一种 

concat 拼接

a = tf.ones([4, 35, 8])
b = tf.ones([2, 35, 8])
c = tf.concat([a, b], axis=0)
c.shape

a = tf.ones([4, 32, 8])
b = tf.ones([4, 3, 8])
tf.concat([a, b], axis=1).shape

[6,35,8]其实可以理解为[4+2,35,8]，下一段代码结果同理
这里需要注意的是，为什么可以理解为相加，一是因为代码中的axis=0指定了轴，二是除指定轴之外的其他轴数字都相等
从而可以得到concat的一个条件：

需要拼接的维度可以数字不等，但其他维度的数字必须相等

concat合并，但不增加维度

这可以与下面的stack有所区分

stack堆叠

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

tf.concat([a, b], axis=-1).shape   # out：TensorShape([4, 35, 16])
tf.stack([a, b], axis=-1).shape  #out：TensorShape([4, 35, 8, 2])
tf.stack([a, b],axis=0).shape  #out：TensorShape([2, 4, 35, 8])

在这三个代码的输出结果，可以很直观感受出代码的作用不同
concat实际是指定轴数字相加，其余维度数字不变（但必须相同），但维度的数目没有增加或减少
stack实际是在指定处加上一个维度，增加了一个维度

由于是复习，此时我又有了一个疑问，为什么可以直接增加，有没有条件？
翻开笔记，发现stack是有一个条件的，比concat更加严苛的条件

stack要求所有维度相等

最后总结一下两个“合并”代码总结一下：

concat需要拼接的维度可以数字不等，但其他维度的数字必须相等

concat合并，但不增加维度

stack要求所有维度数字都相等，才可以堆叠

stack堆叠，增加维度

unstack分割

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

c = tf.stack([a, b])
c.shape  #TensorShape([2, 4, 35, 8])
aa,bb=tf.unstack(c,axis=0)
aa.shape,bb.shape  #(TensorShape([4, 35, 8]), TensorShape([4, 35, 8]))

如果不明显，不太看得出来，换一个

res = tf.unstack(c,axis=3)
res[0].shape # TensorShape([2, 4, 35])
len(res)  # 8

[2, 4, 35, 8]
在unstack中axis=0时为[4, 35, 8]
在unstack中axis=3时为[2, 4, 35]

可以很容易看出，当指定维度时，该维度直接“没了”，其实就是被分割掉了
axis=0时此时维度上数为2，就是被分割成了两段，每一段为[4, 35, 8]，下一个同理（res长度可以看出为8）

split分割

res=tf.split(c,axis=3,num_or_size_splits=2)
len(res)  # 2

与unstack相比其实就是多了一个num_or_size_splits
即

split可以指定打散的数量

res[0].shape #TensorShape([2, 4, 35, 4])
res=tf.split(c,axis=3,num_or_size_splits=[2,2,4])
res[0].shape  #TensorShape([2, 4, 35, 2])
res[2].shape # TensorShape([2, 4, 35, 4])

res=tf.split(c,axis=3,num_or_size_splits=[2,2,4])
是指在第4个维度上，分成三个，分别为2，2，4
即[2, 4, 35, 8]被分成[2, 4, 35, 2]，[2, 4, 35, 2]，[2, 4, 35, 4]