Tensorflow一些常用方法记录

tf.stack

tf.stack(values, axis=0, name=”stack”):

x = tf.constant([1, 4])
y = tf.constant([2, 5])
z = tf.constant([3, 6])
tf.stack([x, y, z])  # [[1, 4], [2, 5], [3, 6]] (Pack along first dim.)
tf.stack([x, y, z], axis=1)  # [[1, 2, 3], [4, 5, 6]]

本质是把一个长度为N的list，list里的元素有自己的shape：

• axis = 0，则变为（N，shape[0], shape[1], …）
• axis = 1，则变为（shape[0], N, shape[1], …）

常见用法有：

如果元素为长度为M的list

• Axis =0, 其实就相当于横着concate
• Axis =1，相当于把元素看为列向量，然后竖着concate

tf.gather和tf.gather_nd

tf.gather(params, indices, validate_indices=None, name=None, axis=0):

对于params,就是你的输入，axis就是你进行操作的维度，默认为0(对于tf.gather,只能对于给定的axis操作),indices就是你想获取的axis维度上的值，来看一个例子，可以更佳清楚的了解函数是如何使用的：

temp = tf.range(0,10)*10 + tf.constant(1,shape=[10])

temp2 = tf.gather(temp,[1,5,9])

with tf.Session() as sess:

print sess.run(temp)

print sess.run(temp2)

输出

[ 1 11 21 31 41 51 61 71 81 91]

[11 51 91]

tf.gather只能对低维度进行操作，gather_nd可以进行高维度的操作。和gather相比，没有了axis参数，如果indices的维度和params的维度等价，他是直接获取一个具体值(之后组合成向量)。

tf.expand_dims和tf.squeeze

• tf.expand_dims(input, axis=None)，就是在对应的axis上加个1的维度，这样可以让tensorflow的元素乘和元素加运算可以用上broadcast机制。

• broadcast机制：满足下面两个条件即可进行元素复制。

  • 从后往前维度相同
  • 遇到不同的话，必须有一个维度为1.
  • 举例：
    • a.shape = (4,1,3,3), b.shape(1,3), a+b = (4,1,3,3)
    • a.shape = (4,1,1,3), b.shape(3,1), a+b = (4,1,3,3)

• tf.squeeze则相反，去掉维度为1的维度。

tf.split()

将矩阵的某一维度切分为一个list。

• ‘value’ is a tensor with shape [5, 30]
• split0, split1, split2 = tf.split(value, [4, 15, 11], 1)
• tf.shape(split0) # [5, 4]
• tf.shape(split1) # [5, 15]
• tf.shape(split2) # [5, 11]

tf.add_n()

将input list里的tensor按元素相加，和普通相加没什么区别，只是可以加个operation name