Tensor的分割与合并，维度的阐述 red, green, blue = tf.split(rgb, 3, 3)

tf.split(split_dim, num_split, value, name='split')

Splits value along dimension split_dim into num_split smaller tensors. Requires that num_split evenly divide value.shape[split_dim].

参数：

split_dim:  A 0-D int32 Tensor. The dimension along which to split. Must be in the range [0, rank(value)).

num_split: A 0-D int32 Tensor. The number of ways to split.

value: The Tensor to split.

name: A name for the operation (optional).

返回值：

num_split Tensor objects resulting from splitting value.

举例，分割value，沿着第1维度分割成3个小的tensor。（维度是从0开始的，一个tensor的shape如果是（3,2,4,5,1）那么这个tensor总共是 5维度的，第0维度一直到第四维度对应的位置是从左到右的）分割tensor的时候要注意num_split要能被slipt_dim对应位置上的数整除，在下面这个例子中第一维度是30，可以整除3.

# 'value' is a tensor with shape [5, 30]
# Split 'value' into 3 tensors along dimension 1
split0, split1, split2 = tf.split(1, 3, value)
tf.shape(split0) ==> [5, 10]

 另外一种切割tensor的方式

tf.slice(input_, begin, size, name=None)

作用是从输入的input_这个tensor里面从begin这个位置开始提取出想要size大小的tensor

begin和size都是一个列表

注意：begin和size的元素个数应该和input的shape的维度数目相同。begin里面的元素是从0开始的，size里面的元素是从1开始的，如果size里面的元素出现-1那么代表元素全选

选取的过程的规则是：从外到内

# 'input' is [[[1, 1, 1], [2, 2, 2]],
#             [[3, 3, 3], [4, 4, 4]],
#             [[5, 5, 5], [6, 6, 6]]]
#  'input' shape is (3,2,3)
（1）tf.slice(input, [1, 0, 0], [1, 1, 3]) ==> [[[3, 3, 3]]]
（2）tf.slice(input, [1, 0, 0], [1, 2, 3]) ==> [[[3, 3, 3],
                                            [4, 4, 4]]]
（3）tf.slice(input, [1, 0, 0], [2, 1, 3]) ==> [[[3, 3, 3]],
                                           [[5, 5, 5]]]
在这里我们可以理解分割下来的部分，格式为 位置：大小
(1)对input取[1:1, 0:1, 0:3]，对第0维的第1个位置（实际上是第2个，因为位置是从0开始的）开始取1个元素，在第1维的第0个位置开始取1个元素，在第2维的第0个位置开始取3个元素，遵从从外往里一层一层取的原则。最后的到了（1,1,3）这样大小的tensor
（2）对input取（1:1,2:2,0:3).对第0维的第1个位置开始取1个元素，对第1维的第2个位置开始取2个元素，对第2维的第0个位置开始取3个元素，最后取出来的大小就是（1,2,3）的tensor
（3）对input取（1:2,0:1,0:3）. 对第0维的第1个位置开始取2个元素，对第1维的第0个位置开始取1个元素，对第2维的第0个位置开始取3个元素

判断一个tensor的shape，遵从规则是从内到外，从后到前 

拓展，从数据上迅速判断一个tensor的shape，遵从规则是从内到外，从后到前。
比如a = [[[1,2,3,4],[1,3,3,3],[2,2,2,2]],[[1,1,1,1],[3,3,3,3],[4,4,4,4]]]
从内到外就是：最里面[1,2,3,4]是4，接着和这个并列的是[1,2,3,4],[1,3,3,3],[2,2,2,2]，是3个；接着包括这三个的一个大框有两个[[1,2,3,4],[1,3,3,3],[2,2,2,2]]和[[1,1,1,1],[3,3,3,3],[4,4,4,4]]。所以相应的维数目从后到前是4,3,2.因此总结出来，这个tensor的shape = （2,3,4）

 

 合并

tf.concat(concat_dim, values, name='concat')

Concatenates（连接） tensors along one dimension.

Concatenates the list of tensors values along dimension concat_dim. If values[i].shape = [D0, D1, ... Dconcat_dim(i), ...Dn], the concatenated result has shape

[ D0,D1,......,Reconcat_dim,......,Dn] , where  Reconcat_dim = sum(Dconcat_dim(i))

That is, the data from the input tensors is joined along the concat_dim dimension. The number of dimensions of the input tensors must match, and all dimensions except concat_dim must be equal.

参数：

• concat_dim: 0-D int32 Tensor. Dimension along which to concatenate.从0开始
• values: A list of Tensor objects or a single Tensor.
• name: A name for the operation (optional).

 返回值：A Tensor resulting from concatenation of the input tensors.

t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat(0, [t1, t2]) ==> [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
tf.concat(1, [t1, t2]) ==> [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]

# tensor t3 with shape [2, 3]
# tensor t4 with shape [2, 3]
tf.shape(tf.concat(0, [t3, t4])) ==> [4, 3]
tf.shape(tf.concat(1, [t3, t4])) ==> [2, 6]

如果concat_dim = 0,则在第0维度增加或者说是连接，其他维度的维度大小保持不变，对应到实际就是叠放到列上，相当于axis=0（表述列）；如果concat_dim = 1,则在第1维度增加或者说是连接，其他维度的维度大小保持不变，对应到实际就是叠放到行上，相当于axis=1（表述行）