Tensorflow2

索引操作

简单索引

通过索引 (index) 可以快速的找到张量中的特定信息.
例子:

  1. a = tf.reshape(tf.range(12), [2, 2, 3])
  2. print(a)
  4. print(a[0])
  5. print(a[0][0])

输出结果:

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

Numpy 式索引

也可以按照 numpy 的写法来操作索引.
例子:

  1. a = tf.reshape(tf.range(12), [2, 2, 3])
  2. print(a)
  4. print(a[0])
  5. print(a[0, 0])

输出结果:

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

使用 : 进行索引

例子:

  1. c = tf.ones([4, 14, 14, 4])
  2. print(c[0, :, :, :].shape)
  3. print(c[0, 1, :, :].shape)

输出结果:

  1. (14, 14, 4)
  2. (14, 4)

tf.gather

假设一个有 3 个餐馆, 每个餐馆有 8 种菜系, 128 道菜data: [resturants, cuisines, dishes].例子:

  1. data = tf.zeros([3, 8, 128])
  3. g1 = tf.gather(data, axis=0, indices=[0, 2])
  4. print(g1.shape)
  6. g2 = tf.gather(data, axis=1, indices=[0, 1, 2, 3])
  7. print(g2.shape)

输出结果:

  1. (2, 8, 128)
  2. (3, 4, 128)

tf.gather_nd

例子:

  1. g1 = tf.gather_nd(data, [0])
  2. print(g1.shape)
  4. g2 = tf.gather_nd(data, [0, 1])
  5. print(g2.shape)
  7. g3 = tf.gather_nd(data, [0, 1, 2])
  8. print(g3.shape)

输出结果:

  1. (8, 128)
  2. (128,)
  3. ()

tf.boolean_mask

格式:

  1. tf.boolean_mask(
  2.     tensor, mask, axis=None, name='boolean_mask'
  3. )

例子:

  1. data = tf.zeros([3, 8, 128])
  3. b1 = tf.boolean_mask(data, mask=[True, True, False])
  4. print(b1.shape)
  6. b2 = tf.boolean_mask(data, mask=[True, False, True, False, True, False, True, False], axis=1)
  7. print(b2.shape)

输出结果:

  1. (2, 8, 128)
  2. (3, 4, 128)

切片操作

借助切片技术, 可以灵活的处理张量对象.

简单切片

格式:

  1. tensor[start : end]

其中 start 为开始索引, end 为结束索引 (不包括)
例子:

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

step 切片

格式:

  1. tensor[start : end: step]

例子:

  1. d = tf.range(6)
  2. print(d[::-1])  # 实现倒序
  3. print(d[::2])  # 步长为2

输出结果:

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

维度变换

tf.reshape

tf.reshape 可以进行维度转换.
格式:

  1. tf.reshape(
  2.     tensor, shape, name=None
  3. )

参数:

  • tensor: 传入的张量
  • shape: 张量的形状
  • name: 数据名称

例子:

  1. a = tf.random.normal([3, 8, 128])
  2. print(a.shape)
  4. b = tf.reshape(a, [3, 1024])
  5. print(b.shape)
  7. c = tf.reshape(a, [3, -1])
  8. print(c.shape)

输出结果:

  1. (3, 8, 128)
  2. (3, 1024)
  3. (3, 1024)

tf.transpose

格式:

  1. tf.transpose(
  2.     a, perm=None, conjugate=False, name='transpose'
  3. )

例子:

  1. a = tf.random.normal([4, 3, 2, 1])
  2. print(a.shape)
  4. b = tf.transpose(a)
  5. print(b.shape)
  7. c = tf.transpose(a, perm=[0, 1, 3, 2])
  8. print(c.shape)

输出结果:

  1. (4, 3, 2, 1)
  2. (1, 2, 3, 4)
  3. (4, 3, 1, 2)

tf.expand_dims

格式:

  1. tf.expand_dims(
  2.     input, axis, name=None
  3. )

参数:

  • input: 输入
  • axis: 操作的维度
  • name: 数据名称

例子:

  1. a = tf.random.normal([4, 3, 2, 1])
  2. print(a.shape)
  4. b = tf.expand_dims(a, axis=0)
  5. print(b.shape)
  7. c = tf.expand_dims(a, axis=1)
  8. print(c.shape)
  10. d = tf.expand_dims(a, axis=-1)
  11. print(d.shape)

输出结果:

  1. (4, 3, 2, 1)
  2. (1, 4, 3, 2, 1)
  3. (4, 1, 3, 2, 1)
  4. (4, 3, 2, 1, 1)

tf.squeeze

tf.squeeze 可以删去所有维度为1 的维度.
格式:

  1. tf.squeeze(
  2.     input, axis=None, name=None
  3. )

参数:

  • input: 输入
  • axis: 操作的维度
  • name: 数据名称

例子:

  1. a = tf.zeros([2, 1, 1, 3, 5])
  3. s1 = tf.squeeze(a)
  4. print(s1.shape)
  6. s2 = tf.squeeze(a, axis=1)
  7. print(s2.shape)
  9. s3 = tf.squeeze(a, axis=2)
  10. print(s3.shape)

输出结果:

  1. (2, 3, 5)
  2. (2, 1, 3, 5)
  3. (2, 1, 3, 5)

Boardcasting

广播机制 (Boardcasting) 是一种张量复制的手段, Boardcasting 可以扩张张量的形状但无需实际复制数据.
2021-12-18-11-11-18-750827.png
广播机制允许在隐式情况下进行填充, 从而使得代码更加简洁, 更有效率地使用内存.

tf.boardcast_to

boardcast_to:

  1. tf.broadcast_to(
  2.     input, shape, name=None
  3. )

参数:

  • input: 输入
  • shape: 数据形状
  • name: 数据名称

例子:

  1. a = tf.broadcast_to(tf.random.normal([4, 1, 1, 1]), [4, 32, 32, 3])
  2. print(a.shape)
  4. b = tf.broadcast_to(tf.zeros([128, 1, 1, 1]), [128, 32, 32, 3])
  5. print(b.shape)

输出结果:

  1. (4, 32, 32, 3)
  2. (128, 32, 32, 3)

tf.tile

格式:

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

参数:

  • input: 输入
  • multiples: 同一纬度上复制的次数
  • name: 数据名称

例子:

  1. a = tf.zeros([4, 1, 1, 1])
  2. print(a.shape)
  4. b = tf.tile(a, [1, 32, 32, 3])
  5. print(b.shape)

输出结果:

  1. (4, 1, 1, 1)
  2. (4, 32, 32, 3)

:::tips 注: boardcast_to 和 tile 的区别在于 boardcast_to 可以在不复制内存的情况下自动扩张 tensor。 :::

数学运算

加减乘除

例子:

  1. # 定义张量
  2. t1 = tf.ones([3, 3])
  3. t2 = tf.fill([3, 3], 3.0)
  5. # 加
  6. add = t1 + t2
  7. print(add)
  9. # 减
  10. minus = t1 - t2
  11. print(minus)
  13. # 乘
  14. multiply = t1 * t2
  15. print(multiply)
  17. # 除
  18. divide = t1 / t2
  19. print(divide)

输出结果:

  1. tf.Tensor(
  2. [[4. 4. 4.]
  3.  [4. 4. 4.]
  4.  [4. 4. 4.]], shape=(3, 3), dtype=float32)
  5. tf.Tensor(
  6. [[-2. -2. -2.]
  7.  [-2. -2. -2.]
  8.  [-2. -2. -2.]], shape=(3, 3), dtype=float32)
  9. tf.Tensor(
  10. [[3. 3. 3.]
  11.  [3. 3. 3.]
  12.  [3. 3. 3.]], shape=(3, 3), dtype=float32)
  13. tf.Tensor(
  14. [[0.33333334 0.33333334 0.33333334]
  15.  [0.33333334 0.33333334 0.33333334]
  16.  [0.33333334 0.33333334 0.33333334]], shape=(3, 3), dtype=float32)

log & exp

例子:

  1. # log
  2. a = tf.fill([2], 100.0)
  3. print(a)
  5. b = tf.math.log(a)  # 以e为底
  6. print(b)
  8. # exp
  9. c = tf.ones([2])
  10. print(c)
  12. d = tf.exp(c)
  13. print(d)

输出结果:

  1. tf.Tensor([100. 100.], shape=(2,), dtype=float32)
  2. tf.Tensor([4.6051702 4.6051702], shape=(2,), dtype=float32)
  3. tf.Tensor([1. 1.], shape=(2,), dtype=float32)
  4. tf.Tensor([2.7182817 2.7182817], shape=(2,), dtype=float32)

pow & sqrt

例子:

  1. # 定义张量
  2. a = tf.fill([2], 4.0)
  3. print(a)
  5. # pow
  6. b = tf.pow(a, 2)
  7. print(b)
  9. # sqrt
  10. c = tf.sqrt(a, 2)
  11. print(c)

输出结果:

  1. tf.Tensor([4. 4.], shape=(2,), dtype=float32)
  2. tf.Tensor([16. 16.], shape=(2,), dtype=float32)
  3. tf.Tensor([2. 2.], shape=(2,), dtype=float32)

矩阵相乘 @

可以使用tf.matmul或@来实现矩阵相乘.
例子:

  1. # 定义张量
  2. a = tf.fill([2, 2], 2)
  3. b = tf.fill([2, 2], 3)
  5. # matmul
  6. c = tf.matmul(a, b)
  7. print(c)
  9. # @
  10. d = a@b
  11. print(d)

输出结果:

  1. tf.Tensor(
  2. [[12 12]
  3.  [12 12]], shape=(2, 2), dtype=int32)
  4. tf.Tensor(
  5. [[12 12]
  6.  [12 12]], shape=(2, 2), dtype=int32)