tensorflow张量的简单用法

维度增加 tf.expand_dims(input,axis,name=None)

维度减少 tf.squeeze(input,axis=None,name=None)

转置 tf.transpose(a,perm=None,conjugate=False,name='transpose')

a = tf.constant([[1,3],[5,7]])

b = tf.constant([[2,4],[6,8]])

tf.add(a,b)

print('算数加法：','\n',tf.add(a,b).numpy()) 

print('算数减法：','\n',tf.subtract(a,b).numpy()) 

print('算数乘法：','\n',tf.multiply(a,b).numpy()) 

print('算数除法：','\n',tf.divide(a,b).numpy())

print(tf.matmul(a,b)) # 矩阵乘法

创建变量tensor 

var_1 = tf.Variable(tf.ones([2,3]))

#变量加法 

var_1.assign_add(tf.ones([2,3]))

张量的数据统计主要包括： 

 tf.reduce_min/max/mean()：求解最小值最大值和均值函数； 

 tf.argmax()/tf.argmin()：求最大最小值位置； 

 tf.equal()：逐个元素判断两个张量是否相等；

 tf.unique()：除去张量中的重复元素。 

 tf.nn.in_top_k(prediction, target, K):用于计算预测值和真是值是否相等，返回一个 bool 类型的 张量。

张量的拼接

d = tf.concat(values=[a, b, c], axis=0)  # 在第一个维度上进行连接

e = tf.concat(values=[a, b, c], axis=1)  # 在第二个维度上进行连接

x = tf.stack(values=[A, B, C, D], axis=0)  # 增加一个第0维度，并在这个维度上面堆叠（常用）

y = tf.stack(values=[A, B, C, D], axis=1)  # 增加一个第1维度，并在这个维度上面堆叠

z = tf.stack(values=[A, B, C, D], axis=2)  # 增加一个第2维度，并在这个维度上面堆叠

张量的分割

排序

tf.sort/argsort(input, direction, axis)： 

 input：输入张量；

 direction：排列顺序，可为 DESCENDING 降序或者 ASCENDING（升序）。默认为 ASCENDING（升序）；

 axis：按照 axis 维度进行排序。默认 axis=-1 最后一个维度。

tf.nn.top_k(input,K,sorted=TRUE): 

 input：输入张量； 

 K：需要输出的前 k 个值及其索引。 

 sorted： sorted=TRUE 表示升序排列；sorted=FALSE 表示降序排列。

#取出第一张图片第二个通道中在[20,40]位置的像素点 

tensor_h[0][19][39][1]

#取出 tensor_h（[4,100,100,3]）中，第 1，2，4 张图像。 

indices = [0,1,3] 

tf.gather(tensor_h,axis=0,indices=indices,batch_dims=1)