TensorFlow2

张量排序

tf.sort

tf.sort函数可以对张量进行排序.
格式:

  1. tf.sort(
  2. values, axis=-1, direction='ASCENDING', name=None
  3. )

参数:

  • values: 要进行排序的张量
  • axis: 操作维度
  • direction: 正序或者倒序
  • name: 数据名称

例子:

  1. # 创建张量0~9, 并打乱顺序
  2. a = tf.random.shuffle(tf.range(10))
  3. print(a)
  4. # 从小到大
  5. b = tf.sort(a) # direction="ASCENDING"
  6. print(b)
  7. # 从大到小
  8. c = tf.sort(a, direction="DESCENDING")
  9. print(c)

输出结果:

  1. tf.Tensor([6 3 7 5 4 0 2 9 8 1], shape=(10,), dtype=int32)
  2. tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)
  3. tf.Tensor([9 8 7 6 5 4 3 2 1 0], shape=(10,), dtype=int32)

tf.argsort

tf.argsort返回张量的索引排序, 沿给的轴排序.
格式:

  1. tf.argsort(
  2. values, axis=-1, direction='ASCENDING', stable=False, name=None
  3. )

参数:

  • 要进行排序的张量
  • axis: 操作维度
  • direction: 正序或者倒序
  • stable: 如果为 True, 则原始张量中的相等元素将不会按返回的顺序重新排序
  • name: 数据名称

例子:

  1. # 创建张量0~9, 并打乱顺序
  2. a = tf.random.shuffle(tf.range(10))
  3. print(a)
  4. # 从小到大
  5. b = tf.argsort (a)
  6. print(b)
  7. # 从大到小
  8. c = tf.argsort (a, direction="DESCENDING")
  9. print(c)

输出结果:

  1. tf.Tensor([9 4 3 1 2 6 0 5 7 8], shape=(10,), dtype=int32)
  2. tf.Tensor([6 3 4 2 1 7 5 8 9 0], shape=(10,), dtype=int32)
  3. tf.Tensor([0 9 8 5 7 1 2 4 3 6], shape=(10,), dtype=int32)

tf.math.top_k

tf.math.top_k可以查找最后一个维度的 k 个最大条目的值和索引.
格式:

  1. tf.math.top_k(
  2. input, k=1, sorted=True, name=None
  3. )

参数:

  • input: 传入张量
  • k=1: 前 k 位
  • sorted: 是否排序
  • name: 数据名称

例子:

  1. # 创建张量0~9, 并打乱顺序, 形状为 3*3
  2. a = tf.reshape(tf.random.shuffle(tf.range(9)), [3, 3])
  3. print(a)
  4. # 取top2
  5. b = tf.math.top_k(a, 2)
  6. print(b)

输出结果:

  1. tf.Tensor(
  2. [[2 1 4]
  3. [5 7 0]
  4. [8 6 3]], shape=(3, 3), dtype=int32)
  5. TopKV2(values=<tf.Tensor: shape=(3, 2), dtype=int32, numpy=
  6. array([[4, 2],
  7. [7, 5],
  8. [8, 6]])>, indices=<tf.Tensor: shape=(3, 2), dtype=int32, numpy=
  9. array([[2, 0],
  10. [1, 0],
  11. [0, 1]])>)

填充与复制

tf.pad

tf.pad可以对一个 tensor 四周进行填充.
2021-12-19-18-12-40-942041.png
格式:

  1. tf.pad(
  2. tensor, paddings, mode='CONSTANT', constant_values=0, name=None
  3. )

参数:

  • tensor: 传入的张量
  • paddings: 要扩展的维度
  • mode: 模式, 默认为 “CONSTANT”
  • constant_value: 在 “CONSTANT” 模式下, 要使用的标量填充值 (必须与张量类型相同)
  • name: 数据名称

例子:

  1. # pad
  2. a = tf.reshape(tf.range(9), [3, 3])
  3. print(a)
  4. # 上下左右填充一圈0
  5. b = tf.pad(a, [[1, 1], [1, 1]])
  6. print(b)

输出结果:

  1. tf.Tensor(
  2. [[0 1 2]
  3. [3 4 5]
  4. [6 7 8]], shape=(3, 3), dtype=int32)
  5. tf.Tensor(
  6. [[0 0 0 0 0]
  7. [0 0 1 2 0]
  8. [0 3 4 5 0]
  9. [0 6 7 8 0]
  10. [0 0 0 0 0]], shape=(5, 5), dtype=int32)

tf.tile

tf.tile可以实现 tensor 的复制.
格式:

  1. tf.tile(
  2. input, multiples, name=None
  3. )

参数:

  • input: 传入的张量
  • multiples: 复制的次数
  • name: 数据名称

例子:

  1. # tile
  2. a = tf.reshape(tf.range(9), [3, 3])
  3. print(a)
  4. b = tf.tile(a, [2, 2])
  5. print(b)

输出结果:

  1. tf.Tensor(
  2. [[0 1 2]
  3. [3 4 5]
  4. [6 7 8]], shape=(3, 3), dtype=int32)
  5. tf.Tensor(
  6. [[0 1 2 0 1 2]
  7. [3 4 5 3 4 5]
  8. [6 7 8 6 7 8]
  9. [0 1 2 0 1 2]
  10. [3 4 5 3 4 5]
  11. [6 7 8 6 7 8]], shape=(6, 6), dtype=int32)

查找与替换

tf.where (第一种)

返回元素为 True 的位置.
格式:

  1. tf.where(
  2. condition, name=None
  3. )

参数:

  • condition: 判断条件
  • name: 数据名称

例子:

  1. # 第一种用法(单参数)
  2. mask = tf.constant([[True, True, True], [False, True, True], [True, False, False]])
  3. print(mask)
  4. indices = tf.where(mask)
  5. print(indices)

输出结果:

  1. tf.Tensor(
  2. [[ True True True]
  3. [False True True]
  4. [ True False False]], shape=(3, 3), dtype=bool)
  5. tf.Tensor(
  6. [[0 0]
  7. [0 1]
  8. [0 2]
  9. [1 1]
  10. [1 2]
  11. [2 0]], shape=(6, 2), dtype=int64)

tf.where (第二种)

类似三元运算符的用法.
格式:

  1. tf.where(
  2. condition, x=None, y=None, name=None
  3. )

参数:

  • condition: 判断条件
  • x: 如果条件为 True 赋值
  • y: 如果条件为 False 赋值
  • name: 数据名称

例子:

  1. # 第二种用法(三个参数)
  2. zeros = tf.zeros([3, 3])
  3. print(zeros)
  4. ones = tf.ones([3, 3])
  5. print(ones)
  6. mask = tf.constant([[True, True, True], [False, True, True], [True, False, False]])
  7. print(mask)
  8. result = tf.where(mask, zeros, ones)
  9. print(result)

输出结果:

  1. tf.Tensor(
  2. [[0. 0. 0.]
  3. [0. 0. 0.]
  4. [0. 0. 0.]], shape=(3, 3), dtype=float32)
  5. tf.Tensor(
  6. [[1. 1. 1.]
  7. [1. 1. 1.]
  8. [1. 1. 1.]], shape=(3, 3), dtype=float32)
  9. tf.Tensor(
  10. [[ True True True]
  11. [False True True]
  12. [ True False False]], shape=(3, 3), dtype=bool)
  13. tf.Tensor(
  14. [[0. 0. 0.]
  15. [1. 0. 0.]
  16. [0. 1. 1.]], shape=(3, 3), dtype=float32)

tf.scatter_nd

使用索引更新张量.
2021-12-19-18-12-41-090598.png
格式:

  1. tf.scatter_nd(
  2. indices, updates, shape, name=None
  3. )

参数:

  • indices: 索引
  • updates: 更新的值
  • shape: 形状
  • name: 数据名称

例子:

  1. # scatter_nd
  2. indices = tf.constant([[4], [3], [1], [7]])
  3. print(indices)
  4. updates = tf.constant([9, 10, 11, 12])
  5. print(updates)
  6. shape = tf.constant([8])
  7. print(shape)
  8. result = tf.scatter_nd(indices, updates, shape)
  9. print(result)

输出结果:

  1. tf.Tensor(
  2. [[4]
  3. [3]
  4. [1]
  5. [7]], shape=(4, 1), dtype=int32)
  6. tf.Tensor([ 9 10 11 12], shape=(4,), dtype=int32)
  7. tf.Tensor([8], shape=(1,), dtype=int32)
  8. tf.Tensor([ 0 11 0 10 9 0 0 12], shape=(8,), dtype=int32)