TensorFlow语法（3）

数据的合并与分割数据统计排序数据的填充与复制张量限幅

数据的合并与分割

1.tf.constant( )合并 将两组数据合并，axis指定合并的维度。除了要合并的维度不一样，其他维度要相等。 例：[class1-4,students,scores] [class5-6,students,scores] 六个班级的学生成绩分两次录入，将所有数据合并在一起。

a = tf.ones([4,35,8]) b = tf.ones([2,35,8]) c = tf.concat([a,b],axis = 0) c.shape >>TensorShape([6,35,8])

2.tf.stack( )合并 增加一个维度，axis指定增加维度的索引位置，要求所有的维度相等。 例：shcool1：[classes,students,scores] school2：[classes,students,scores] 将两个学校的学生成绩合并在一起。

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

3.tf.unstack( )切割 axis指定拆分维度的索引位置，维度数位n，就会拆分成n个新的tensor，固定的分割为长度为1的操作。

c = tf.ones([2，4,35,8]) a,b = f.unstack(c, axis = 0) a.shape,b.shape >>TensorShape([4,35,8]),TensorShape([4,35,8]) res = tf.unstack(c,axis= 3) res[0].shape,res[1].shape >>TensorShape([2,4,35]),TensorShape([2,4,35]) len(res) >>8

4.tf.split( )分割 tf.split( )分割更为灵活。axis指定拆分维度的索引位置， num_or_size_splits指定拆分数量。 例：num_or_size_splits=[2，4，2]就是将8拆分成三个tensor，axis=3对应的分别为，2，4，2。

c = tf.ones([2，4,35,8]) res = tf.split(c, axis= 3, num_or_size_splits = 2) res[0].shape,res[1].shape >>TensorShape([2,4,35,4]),TensorShape([2,4,35,4]) len(res) >>2 res = tf.split(c, axis= 3, num_or_size_splits = [2,4,2]) res[0].shape,res[1].shape,res[2].shape >>TensorShape([2,4,35,2]),TensorShape([2,4,35,4]),TensorShape([2,4,35,2])

数据统计

1.tf.norm( ) 向量的范数，分别为二阶范数，最大范数和一阶范数。 tf. 二阶范数

a = tf.ones([2，2]) b = tf.norm(a) >><tf.Tensor:id=192,shape=(),dtype=float32,numpy=2.0> c = tf.sqrt(tf.reduce_sum(tf.square(a))) >><tf.Tensor:id=192,shape=(),dtype=float32,numpy=2.0>

L1.norm ord指定使用哪种范数式，ord=1（一阶范数），ord=2（二阶范数）；axis指定维度数。

a = tf.ones([2,2]) b = tf.norm(a, ord = 2, axis = 1) >><tf.Tensor:id=271,shape=(2,),dtype=float32,numpy=array([1,4142135,1,4142135]),dtype=float32> c = tf.norm(a, ord = 1) >><tf.Tensor:id=255,shape=( ),dtype=float32,numpy=4.0> d = tf.norm(a, ord = 1, axis = 0) >><tf.Tensor:id=260,shape=(2,),dtype=float32,numpy=array([2.,2.]),dtype=float32>

2.tf.reduce_min/max 求取最大值，最小值，均值，不指定参数会求取全局的最大值，最小值和均值。 例：a=[4,10]，axis=1，表示求每一行得到最小值，返回4个值。

a = tf.random.normal([4, 10]) tf.reduce_min(a),tf.reduce_max(a).tf.reduce_mean(a) >><tf.Tensor:id=283,shape=(),dtype=float32,numpy=1.1872448>,<tf.Tensor:id=285,shape=(),dtype=float32,numpy=2.1353827>,<tf.Tensor:id=287,shape=(),dtype=float32,numpy=0.3523524> tf.reduce_min(a,axis=1) >><tf.Tensor:id=292,shape=(),dtype=float32,numpy=array([-0.3937837,-1.1872448,-1.079889,-1.1366792]),dtype=float32>

3.tf.argmax/argmin 求最大值和最小值的位置，axis指定维度，没有写axis默认为0。 例：a[4,10]，axis=0，则表示4行10列，在0维度上求取每一列的最大值的位置索引。dtype=int32表示的式index的数据类型。

a.shape >>TensorShape([4,10]) tf.argmax(a,axis=0).shape >>TensorShape([10]) tf.argmax(a,axis=0) >><tf.Tensor:id=305,shape=(10,),dtype=int64,numpy=array([0,0,2,3,1,3,0,1,2,0])>

4.tf.equal 比较相同位置的值是否相等，相等返回True，否则返回False。 例如：a[1,2,3,2,5], b[0,1,2,3,4] 全部不等，返回5个False。将返回的bool转换成int，然后累加得到的数值就是值相等的个数。tf.cast(res, dtype=tf.int32)表示转换数据类型。

a = tf.constant([1,2,3,2,5]) b = tf,range(5) tf.equal(a, b) >><tf.Tensor:id=170,shape=(5,),dtype=bool,numpy=array([False,False,False,False,False])> res = tf.equal(a, b) tf.rerduce_sum(tf.cast(res, dtype = tf,int32)) >><tf.Tensor:id=175,shape=(),dtype=int32,numpy=0>

5.tf,unique 去除重复元素 例：a[4,2,2,4,3]去除重复元素后返回y[4，2，3]，同时显示y元素的索引号在a中对应的位置。 使用tf.gather( )可以将去除后的元素还原。

a = tf.constant([4,2,2,4,3]) tf.equal(a, b) >>Unique<y=tf.Tensor:id=356,shape=(3,),dtype=int32,numpy=array([4,2,3]),dtype=int32>,idx=<tf.Tensor:id=357,shape=(5,),dtype=int32,numpy=array([0,1,1,0,2]),dtype=int32> tf.gather(equal,idx) >><tf.Tensor:id=368,shape=(5,),dtype=int32,numpy=array([4,2,2,4,3]),dtype=int32>

排序

1.sort/argsort tf.sort( )，完成张量在某一个维度上的排序，返回一个排序后的tensor，direction=‘DESCENDING’（降序）指定排序方式，没有写默认为升序。 tf.argsort( )，返回排序的索引值。

a = tf.random.shuffle(tf.range(5)) #numpy=array([2,0,3,4,1]) tf.sort(a, direction='DESCENDING') >><tf.Tensor:id=397,shape=(5,),dtype=int32,numpy=array([4,3,2,1,0])> tf.argsort(a, direction='DESCENDING') >><tf.Tensor:id=409,shape=(5,),dtype=int32,numpy=array([3,2,0,4,1])> idx = tf.argsort(a, direction='DESCENDING') tf.gater(a,idx) >><tf.Tensor:id=422,shape=(5,),dtype=int32,numpy=array([4,3,2,1,0])> a = tf.random.uniform([3,3],maxval=10,dtype=tf.int32) array([[4,6,8], [9,4,7], [4,5,1]]) tf.sort(a) array([[4,6,8], [4,7,9], [1,4,5]]) tf.sort(a, direction='DESCENDING') array([[8,6,4], [9,7,4], [5,4,1]]) idx = tf.argsort(a) array([[0,1,2], [1,2,0], [2,0,1]])

2.top_k tf.math.top_k(a, n )返回前n个排序后的tensor，

>>a array([[4,6,8], [9,4,7], [4,5,1]]) res = tf.math.top_k(a,2) res.indices <tf.Tensor:id=467,shape=(3,2),dtype=int32, numpy=array([[2,1], [0,2], [1,0]])> res.value <tf.Tensor:id=466,shape=(3,2),dtype=int32, numpy=array([[8,6], [9,7], [5,4]])>

3.Top_k Accuracy 这个概念是单标签多分类中的，先说我们认识的acc，这个是求softmax后的最大值索引，只要对应上就是预测正确。 最大值的索引可能与标签没有对应上，只要最大值索引排序中前k个有对应的正确标签就说明预测对了，举个例子： 预测值A，B的得分为： A: [0.2,0.3,0.4,0.1] B: [0.15,0.3,0.05,0.5] 求argmax(最大值的索引)后为: A: [2,1,0,3] B: [3,1,0,2] 正确标签y为 A：[0,1,0,0] B：[0,1,0,0] 真实的A，B的位置argmax后为： [1] [1] top1表示取预测值的第一组数据与真实值的索引比较，top1直接为0，因为最大值索引对应不上。 但top2为100%，最大值排序后相应的索引顺序 [2,1] [3,1] 索引都是第二个正确，那top2 acc肯定是100%了。 top3也为100%，最大值排序后相应的索引顺序 [2,1,0] [3,1,0]

数据的填充与复制

1.tf.pad( )填充 如图： tf.pad( a, [ [1,2] ] ) 将一维数据a的左边添加一个数据，右边添加两个数据； tf.pad( b, [ [0,1], [1,1] ] )将二维数据左右各加一列，上面不添加小面添加一行。 pad中的第一个维度表示行，第二个维度表示列。

a[4,28,28,3],其中batch=4,channl=3,不需要padding，只需要将图片的行和列进行padding，所以只在行和列中添加数据，下面的例子中表示在图片的左右个添加两列，上下各添加两行，所以图片的size=[4,32,32.3]

padding的目的是为了保持卷积后的feature_map的size与image的size一样。

2.tf.tile( )复制 tf.tlie()在指定维度上进行数据的复制，占用内存。 tf.tile(a,[1,2])其中的[1， 2]表示第一个维度不变，第二个维度变为原来的两倍，即3列变6列。 同样的[2，1]表示第一个维度变两倍，第二个维度不变，即3行变6行。

3.tf.boadcast_to( )复制 tf.boadcast_to( ）复制不占用内存

张量限幅

1.tf.clip_by_value() 根据值进行裁剪 例： tf.clip_by_value(a，2，8)表示将小于2的值赋值为2，大于8的值赋值为8。 tf.maximum()表示max(x,0)函数：if x<0,x=0;else x tf.minimum()表示min(x,0)函数：if x>0,x=0;else x maximum和minimum一次只能对一边进行限幅，如果对两边进行限幅可以联合使用minimum( maximum( a, 2 ),8)等价于clip_by_value(a,2,8） 2.tf.clip_by_norm() 根据范数进行裁剪 目的：等比例放缩 例：将a变为aa，首先创建一个a，计算a的二阶范数（先平方和再开根号），tf.clip_by_norm(a,15)将a的二阶范数限制在15。达到将a的数等比例的缩小。 在函数中的目的是不改变梯度方向，从而改善梯度爆炸与梯度消失的问题。 tf.clip_by_global_norm(),用于梯度截断。