Tensorflow Python API 翻譯（array_ops）

chen_h發表於2019-02-16

作者：chen_h
微訊號 & QQ：862251340
微信公眾號：coderpai
簡書地址：https://www.jianshu.com/p/00a…

計劃現將 tensorflow 中的 Python API 做一個學習，這樣方便以後的學習。
原文連結

該章介紹有關張量轉換的API

資料型別投射

Tensorflow提供了很多的資料型別投射操作，你能將資料型別投射到一個你想要的資料型別上去。

tf.string_to_number(string_tensor, out_type = None, name = None)

解釋：這個函式是將一個string的Tensor轉換成一個數字型別的Tensor。但是要注意一點，如果你想轉換的數字型別是tf.float32，那麼這個string去掉引號之後，裡面的值必須是一個合法的浮點數，否則不能轉換。如果你想轉換的數字型別是tf.int32，那麼這個string去掉引號之後，裡面的值必須是一個合法的浮點數或者整型，否則不能轉換。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant(`123`)
print sess.run(data)
d = tf.string_to_number(data)
print sess.run(d)

輸入引數：

string_tensor: 一個string型別的Tensor。
out_type: 一個可選的資料型別tf.DType，預設的是tf.float32，但我們也可以選擇tf.int32或者tf.float32。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別是out_type，資料維度和string_tensor相同。

tf.to_double(x, name = `ToDouble`)

解釋：這個函式是將一個Tensor的資料型別轉換成float64。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant(123)
print sess.run(data)
d = tf.to_double(data)
print sess.run(d)

輸入引數：

x: 一個Tensor或者是SparseTensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor或者SparseTensor，資料型別是float64，資料維度和x相同。

提示：

錯誤: 如果x是不能被轉換成float64型別的，那麼將報錯。

tf.to_float(x, name = `ToFloat`)

解釋：這個函式是將一個Tensor的資料型別轉換成float32。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant(123)
print sess.run(data)
d = tf.to_float(data)
print sess.run(d)

輸入引數：

x: 一個Tensor或者是SparseTensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor或者SparseTensor，資料型別是float32，資料維度和x相同。

提示：

錯誤: 如果x是不能被轉換成float32型別的，那麼將報錯。

tf.to_bfloat16(x, name = `ToBFloat16`)

解釋：這個函式是將一個Tensor的資料型別轉換成bfloat16。

譯者注：這個API的作用不是很理解，但我測試了一下，輸入的x必須是浮點型的，別的型別都不行。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_bfloat16(data)
print sess.run(d)

輸入引數：

x: 一個Tensor或者是SparseTensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor或者SparseTensor，資料型別是bfloat16，資料維度和x相同。

提示：

錯誤: 如果x是不能被轉換成bfloat16型別的，那麼將報錯。

tf.to_int32(x, name = `ToInt32`)

解釋：這個函式是將一個Tensor的資料型別轉換成int32。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_int32(data)
print sess.run(d)

輸入引數：

x: 一個Tensor或者是SparseTensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor或者SparseTensor，資料型別是int32，資料維度和x相同。

提示：

錯誤: 如果x是不能被轉換成int32型別的，那麼將報錯。

tf.to_int64(x, name = `ToInt64`)

解釋：這個函式是將一個Tensor的資料型別轉換成int64。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_int64(data)
print sess.run(d)

輸入引數：

x: 一個Tensor或者是SparseTensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor或者SparseTensor，資料型別是int64，資料維度和x相同。

提示：

錯誤: 如果x是不能被轉換成int64型別的，那麼將報錯。

tf.cast(x, dtype, name = None)

解釋：這個函式是將一個Tensor或者SparseTensor的資料型別轉換成dtype。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.cast(data, tf.int32)
print sess.run(d)

輸入引數：

x: 一個Tensor或者是SparseTensor。
dtype: 目標資料型別。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor或者SparseTensor，資料維度和x相同。

提示：

錯誤: 如果x是不能被轉換成dtype型別的，那麼將報錯。

資料維度轉換

Tensorflow提供了很多的資料維度轉換操作，你能改變資料的維度，將它變成你需要的維度。

tf.shape(input, name = None)

解釋：這個函式是返回input的資料維度，返回的Tensor資料維度是一維的。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.shape(data)
print sess.run(d)

輸入引數：

input: 一個Tensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別是int32。

tf.size(input, name = None)

解釋：這個函式是返回input中一共有多少個元素。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.size(data)
print sess.run(d)

輸入引數：

input: 一個Tensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別是int32。

tf.rank(input, name = None)

解釋：這個函式是返回Tensor的秩。

注意：Tensor的秩和矩陣的秩是不一樣的，Tensor的秩指的是元素維度索引的數目，這個概念也被成為order, degree或者ndims。比如，一個Tensor的維度是[1, 28, 28, 1]，那麼它的秩就是4。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.rank(data)
print sess.run(tf.shape(data))
print sess.run(d)

輸入引數：

input: 一個Tensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別是int32。

tf.reshape(tensor, shape, name = None)

解釋：這個函式的作用是對tensor的維度進行重新組合。給定一個tensor，這個函式會返回資料維度是shape的一個新的tensor，但是tensor裡面的元素不變。
如果shape是一個特殊值[-1]，那麼tensor將會變成一個扁平的一維tensor。
如果shape是一個一維或者更高的tensor，那麼輸入的tensor將按照這個shape進行重新組合，但是重新組合的tensor和原來的tensor的元素是必須相同的。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
print sess.run(tf.shape(data))
d = tf.reshape(data, [-1])
print sess.run(d)
d = tf.reshape(data, [3, 4])
print sess.run(d)

輸入引數：

tensor: 一個Tensor。
shape: 一個Tensor，資料型別是int32，定義輸出資料的維度。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和輸入資料相同。

tf.squeeze(input, squeeze_dims = None, name = None)

解釋：這個函式的作用是將input中維度是1的那一維去掉。但是如果你不想把維度是1的全部去掉，那麼你可以使用squeeze_dims引數，來指定需要去掉的位置。

使用例子：


#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
d_1 = tf.expand_dims(d_1, 2)
d_1 = tf.expand_dims(d_1, -1)
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))
d_2 = d_1
print sess.run(tf.shape(tf.squeeze(d_1)))
print sess.run(tf.shape(tf.squeeze(d_2, [2, 4])))

# `t` is a tensor of shape [1, 2, 1, 3, 1, 1]
# shape(squeeze(t)) ==> [2, 3]

# `t` is a tensor of shape [1, 2, 1, 3, 1, 1]
# shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

輸入引數：

input: 一個Tensor。
squeeze_dims: （可選）一個序列，索引從0開始，只移除該列表中對應位的tensor。預設下，是一個空序列[]。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和輸入資料相同。

tf.expand_dims(input, dim, name = None)

解釋：這個函式的作用是向input中插入維度是1的張量。
我們可以指定插入的位置dim，dim的索引從0開始，dim的值也可以是負數，從尾部開始插入，符合 python 的語法。
這個操作是非常有用的。舉個例子，如果你有一張圖片，資料維度是[height, width, channels]，你想要加入“批量”這個資訊，那麼你可以這樣操作expand_dims(images, 0)，那麼該圖片的維度就變成了[1, height, width, channels]。

這個操作要求：
-1-input.dims() <= dim <= input.dims()

這個操作是squeeze()函式的相反操作，可以一起靈活運用。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, 2)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))

輸入引數：

input: 一個Tensor。
dim: 一個Tensor，資料型別是int32，標量。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和輸入資料相同，資料和input相同，但是維度增加了一維。

資料抽取和結合

Tensorflow提供了很多的資料抽取和結合的方法。

tf.slice(input_, begin, size, name = None)

解釋：這個函式的作用是從輸入資料input中提取出一塊切片，切片的尺寸是size，切片的開始位置是begin。切片的尺寸size表示輸出tensor的資料維度，其中size[i]表示在第i維度上面的元素個數。開始位置begin表示切片相對於輸入資料input_的每一個偏移量，比如資料input_是
`
[[[1, 1, 1], [2, 2, 2]],
[[33, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]]`，
begin為[1, 0, 0]，那麼資料的開始位置是33。因為，第一維偏移了1，其餘幾位都沒有偏移，所以開始位置是33。

操作滿足：
size[i] = input.dim_size(i) - begin[i]
0 <= begin[i] <= begin[i] + size[i] <= Di for i in [0, n]

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
input = tf.constant([[[1, 1, 1], [2, 2, 2]],
                    [[3, 3, 3], [4, 4, 4]],
                    [[5, 5, 5], [6, 6, 6]]])
data = tf.slice(input, [1, 0, 0], [1, 1, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [1, 2, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [2, 1, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [2, 2, 2])
print sess.run(data)

輸入引數：

input_: 一個Tensor。
begin: 一個Tensor，資料型別是int32或者int64。
size: 一個Tensor，資料型別是int32或者int64。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和input_相同。

tf.split(split_dim, num_split, value, name = `split`)

解釋：這個函式的作用是，沿著split_dim維度將value切成num_split塊。要求，num_split必須被value.shape[split_dim]整除，即value.shape[split_dim] % num_split == 0。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
input = tf.random_normal([5,30])
print sess.run(tf.shape(input))[0] / 5
split0, split1, split2, split3, split4 = tf.split(0, 5, input)
print sess.run(tf.shape(split0))

輸入引數：

split_dim: 一個0維的Tensor，資料型別是int32，該引數的作用是確定沿著哪個維度進行切割，引數範圍 [0, rank(value))。
num_split: 一個0維的Tensor，資料型別是int32，切割的塊數量。
value: 一個需要切割的Tensor。
name:（可選）為這個操作取一個名字。

輸出引數：

從value中切割的num_split個Tensor。

tf.tile(input, multiples, name = None)

解釋：這個函式的作用是通過給定的tensor去構造一個新的tensor。所使用的方法是將input複製multiples次，輸出的tensor的第i維有input.dims(i) * multiples[i]個元素，input中的元素被複制multiples[i]次。比如，input = [a b c d], multiples = [2]，那麼tile(input, multiples) = [a b c d a b c d]。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
data = tf.constant([[1, 2, 3, 4], [9, 8, 7, 6]])
d = tf.tile(data, [2,3])
print sess.run(d)

輸入引數：

input_: 一個Tensor，資料維度是一維或者更高維度。
multiples: 一個Tensor，資料型別是int32，資料維度是一維，長度必須和input的維度一樣。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和input相同。

tf.pad(input, paddings, name = None)

解釋：這個函式的作用是向input中按照paddings的格式填充0。paddings是一個整型的Tensor，資料維度是[n, 2]，其中n是input的秩。對於input的中的每一維D，paddings[D, 0]表示增加多少個0在input之前，paddings[D, 1]表示增加多少個0在input之後。舉個例子，假設paddings = [[1, 1], [2, 2]]和input的資料維度是[2,2]，那麼最後填充完之後的資料維度如下：

填充之後的資料維度

也就是說，最後的資料維度變成了[4,6]。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
t = tf.constant([[[3,3,],[2,2]]])
print sess.run(tf.shape(t))
paddings = tf.constant([[3,3],[1,1],[2,2]])
print sess.run(tf.pad(t, paddings)).shape

輸入引數：

input: 一個Tensor。
paddings: 一個Tensor，資料型別是int32。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和input相同。

tf.concat(concat_dim, value, name = `concat`)

解釋：這個函式的作用是沿著concat_dim維度，去重新串聯value，組成一個新的tensor。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 
import numpy as np 

sess = tf.Session()
t1 = tf.constant([[1, 2, 3], [4, 5, 6]])
t2 = tf.constant([[7, 8, 9], [10, 11, 12]])
d1 = tf.concat(0, [t1, t2])
d2 = tf.concat(1, [t1, t2])
print sess.run(d1)
print sess.run(tf.shape(d1))
print sess.run(d2)
print sess.run(tf.shape(d2))

# output
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]]

[[ 1  2  3  7  8  9]
 [ 4  5  6 10 11 12]]

# tips
從直觀上來看，我們取的concat_dim的那一維的元素個數肯定會增加。比如，上述例子中的d1的第0維增加了，而且d1.shape[0] = t1.shape[0]+t2.shape[0]。

輸入引數：

concat_dim: 一個零維度的Tensor，資料型別是int32。
values: 一個Tensor列表，或者一個單獨的Tensor。
name:（可選）為這個操作取一個名字。

輸出引數：

一個重新串聯之後的Tensor。

tf.pack(values, name = `pack`)

解釋：這個函式的作用是將秩為R的tensor打包成一個秩為R+1的tensor。具體的公式可以表示為：

tf.pack([x, y, z]) = np.asqrray([x, y, z])

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf

x = tf.constant([1,2,3])
y = tf.constant([4,5,6])
z = tf.constant([7,8,9])

p = tf.pack([x,y,z])

sess = tf.Session()
print sess.run(tf.shape(p))
print sess.run(p)

輸入引數：

values: 一個Tensor的列表，每個Tensor必須有相同的資料型別和資料維度。
name:（可選）為這個操作取一個名字。

輸出引數：

output: 一個打包的Tensor，資料型別和values相同。

tf.unpack(value, num = None, name = `unpack`)

解釋：這個函式的作用是將秩為R+1的tensor解壓成一些秩為R的tensor。其中，num表示要解壓出來的tensor的個數。如果，num沒有被指定，那麼num = value.shape[0]。如果，value.shape[0]無法得到，那麼系統將丟擲異常ValueError。具體的公式可以表示為：

tf.unpack(x, n) = list(x)

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf

x = tf.constant([1,2,3])
y = tf.constant([4,5,6])
z = tf.constant([7,8,9])

p = tf.pack([x,y,z])

sess = tf.Session()
print sess.run(tf.shape(p))
pp = tf.unpack(p,3)
print sess.run(pp)

輸入引數：

value: 一個秩大於0的Tensor。
num: 一個整型，value的第一維度的值。
name:（可選）為這個操作取一個名字。

輸出引數：

從value中解壓出來的一個Tensor陣列。

異常：

ValueError: 如果num沒有被正確指定，那麼將丟擲異常。

tf.reverse_sequence(input, seq_lengths, seq_dim, name = None)

解釋：將input中的值沿著第seq_dim維度進行翻轉。

這個操作先將input沿著第0維度切分，然後對於每個切片，將切片長度為seq_lengths[i]的值，沿著第seq_dim維度進行翻轉。

向量seq_lengths中的值必須滿足seq_lengths[i] < input.dims[seq_dim]，並且其長度必須是input_dims(0)。

對於每個切片i的輸出，我們將第seq_dim維度的前seq_lengths[i]的資料進行翻轉。

比如：

# Given this:
seq_dim = 1
input.dims = (4, 10, ...)
seq_lengths = [7, 2, 3, 5]

# 因為input的第0維度是4，所以先將input切分成4個切片；
# 因為seq_dim是1，所以我們按著第1維度進行翻轉。
# 因為seq_lengths[0] = 7，所以我們第一個切片只翻轉前7個值，該切片的後面的值保持不變。
# 因為seq_lengths[1] = 2，所以我們第一個切片只翻轉前2個值，該切片的後面的值保持不變。
# 因為seq_lengths[2] = 3，所以我們第一個切片只翻轉前3個值，該切片的後面的值保持不變。
# 因為seq_lengths[3] = 5，所以我們第一個切片只翻轉前5個值，該切片的後面的值保持不變。
output[0, 0:7, :, ...] = input[0, 7:0:-1, :, ...]
output[1, 0:2, :, ...] = input[1, 2:0:-1, :, ...]
output[2, 0:3, :, ...] = input[2, 3:0:-1, :, ...]
output[3, 0:5, :, ...] = input[3, 5:0:-1, :, ...]

output[0, 7:, :, ...] = input[0, 7:, :, ...]
output[1, 2:, :, ...] = input[1, 2:, :, ...]
output[2, 3:, :, ...] = input[2, 3:, :, ...]
output[3, 2:, :, ...] = input[3, 2:, :, ...]

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
input = tf.constant([[1, 2, 3, 4], [3, 4, 5, 6]], tf.int64)
seq_lengths = tf.constant([3, 2], tf.int64)
seq_dim = 1
output = tf.reverse_sequence(input, seq_lengths, seq_dim)
print sess.run(output)
sess.close()

# output
[[3 2 1 4]
 [4 3 5 6]]

輸入引數：

input: 一個Tensor，需要反轉的資料。
seq_lengths: 一個Tensor，資料型別是int64，資料長度是input.dims(0)，並且max(seq_lengths) < input.dims(seq_dim)。
seq_dim: 一個int，確定需要翻轉的維度。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和input相同，資料維度和input相同。

tf.reverse(tensor, dims, name = None)

解釋：將指定維度中的資料進行翻轉。

給定一個tensor和一個bool型別的dims，dims中的值為False或者True。如果dims[i] == True，那麼就將tensor中這一維的資料進行翻轉。

tensor最多隻能有8個維度，並且tensor的秩必須和dims的長度相同，即rank(tensor) == size(dims)。

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
input_data = tf.constant([[
[
[ 0,  1,  2,  3],
[ 4,  5,  6,  7],
[ 8,  9, 10, 11]
],
[
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]
]
]])
print `input_data shape : `, sess.run(tf.shape(input_data))
dims = tf.constant([False, False, False, True])
print sess.run(tf.reverse(input_data, dims))
print "=========================="
dims = tf.constant([False, True, False, False])
print sess.run(tf.reverse(input_data, dims))
print "=========================="
dims = tf.constant([False, False, True, False])
print sess.run(tf.reverse(input_data, dims))
sess.close()

輸入引數：

tensor: 一個Tensor，資料型別必須是以下之一：uint8，int8，int32，bool，float32或者float64，資料維度不超過8維。
dims: 一個Tensor，資料型別是bool。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和tensor相同，資料維度和tensor相同。

tf.transpose(a, perm = None, name = `transpose`)

解釋：將a進行轉置，並且根據perm引數重新排列輸出維度。

輸出資料tensor的第i維將根據perm[i]指定。比如，如果perm沒有給定，那麼預設是perm = [n-1, n-2, ..., 0]，其中rank(a) = n。預設情況下，對於二維輸入資料，其實就是常規的矩陣轉置操作。

比如：

input_data.dims = (1, 4, 3)
perm = [1, 2, 0]

# 因為 output_data.dims[0] = input_data.dims[ perm[0] ]
# 因為 output_data.dims[1] = input_data.dims[ perm[1] ]
# 因為 output_data.dims[2] = input_data.dims[ perm[2] ]
# 所以得到 output_data.dims = (4, 3, 1)
output_data.dims = (4, 3, 1)

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
input_data = tf.constant([[1,2,3],[4,5,6]])
print sess.run(tf.transpose(input_data))
print sess.run(input_data)
print sess.run(tf.transpose(input_data, perm=[1,0]))
input_data = tf.constant([[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]])
print `input_data shape: `, sess.run(tf.shape(input_data))
output_data = tf.transpose(input_data, perm=[1, 2, 0])
print `output_data shape: `, sess.run(tf.shape(output_data))
print sess.run(output_data)
sess.close()

輸入引數：

a: 一個Tensor。
perm: 一個對於a的維度的重排列組合。
name:（可選）為這個操作取一個名字。

輸出引數：

一個經過翻轉的Tensor。

tf.gather(params, indices, name = None)

解釋：根據indices索引，從params中取對應索引的值，然後返回。

indices必須是一個整型的tensor，資料維度是常量或者一維。最後輸出的資料維度是indices.shape + params.shape[1:]。

比如：

# Scalar indices
output[:, ..., :] = params[indices, :, ... :]

# Vector indices
output[i, :, ..., :] = params[indices[i], :, ... :]

# Higher rank indices
output[i, ..., j, :, ... :] = params[indices[i, ..., j], :, ..., :]

如果indices是一個從0到params.shape[0]的排列，即len(indices) = params.shape[0]，那麼這個操作將把params進行重排列。

Gather

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
params = tf.constant([6, 3, 4, 1, 5, 9, 10])
indices = tf.constant([2, 0, 2, 5])
output = tf.gather(params, indices)
print sess.run(output)
sess.close()

輸入引數：

params: 一個Tensor。
indices: 一個Tensor，資料型別必須是int32或者int64。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和params相同。

tf.dynamic_partition(data, partitions, num_partitions, name = None)

解釋：根據從partitions中取得的索引，將data分割成num_partitions份。

我們先從partitions.ndim 中取出一個元祖js，那麼切片data[js, ...]將成為輸出資料outputs[partitions[js]]的一部分。我們將js按照字典序排列，即js裡面的值為(0, 0, ..., 1, 1, ..., 2, 2, ..., ..., num_partitions - 1, num_partitions - 1, ...)。我們將partitions[js] = i的值放入outputs[i]。outputs[i]中的第一維對應於partitions.values == i的位置。更多細節如下：

outputs[i].shape = [sum(partitions == i)] + data.shape[partitions.ndim:]

outputs[i] = pack([data[js, ...] for js if partitions[js] == i])

data.shape must start with partitions.shape
這句話不是很明白，說說自己的理解。
data.shape(0)必須和partitions.shape(0)相同，即data.shape[0] == partitions.shape[0]。

比如：

# Scalar partitions
partitions = 1
num_partitions = 2
data = [10, 20]
outputs[0] = []  # Empty with shape [0, 2]
outputs[1] = [[10, 20]]

# Vector partitions
partitions = [0, 0, 1, 1, 0]
num_partitions = 2
data = [10, 20, 30, 40, 50]
outputs[0] = [10, 20, 50]
outputs[1] = [30, 40]

DynamicPartition

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
params = tf.constant([6, 3, 4, 1, 5, 9, 10])
indices = tf.constant([2, 0, 2, 5])
output = tf.gather(params, indices)
print sess.run(output)
sess.close()

輸入引數：

data: 一個Tensor。
partitions: 一個Tensor，資料型別必須是int32。任意資料維度，但其中的值必須是在範圍[0, num_partitions)。
num_partitions: 一個int，其值必須不小於1。輸出的切片個數。
name:（可選）為這個操作取一個名字。

輸出引數：

一個陣列Tensor，資料型別和data相同。

tf.dynamic_stitch(indices, data, name = None)

解釋：這是一個交錯合併的操作，我們根據indices中的值，將data交錯合併，並且返回一個合併之後的tensor。

如下構建一個合併的tensor：

merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]

其中，m是一個從0開始的索引。如果indices[m]是一個標量或者向量，那麼我們可以得到更加具體的如下推導：

# Scalar indices
merged[indices[m], ...] = data[m][...]

# Vector indices
merged[indices[m][i], ...] = data[m][i, ...]

從上式的推導，我們也可以看出最終合併的資料是按照索引從小到大排序的。那麼會產生兩個問題：1）假設如果一個索引同時存在indices[m][i]和indices[n][j]中，其中(m, i) < (n, j)。那麼，data[n][j]將作為最後被合併的值。2）假設索引越界了，那麼缺失的位上面的值將被隨機值給填補。

比如：

indices[0] = 6
indices[1] = [4, 1]
indices[2] = [[5, 2], [0, 3]]
data[0] = [61, 62]
data[1] = [[41, 42], [11, 12]]
data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]
merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42],
          [51, 52], [61, 62]]

DynamicStitch

使用例子：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import tensorflow as tf 

sess = tf.Session()
indices = [6, [4, 1], [[5, 2], [0, 3]]]
data = [[61, 62], [[41, 42], [11, 12]], [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]]
output = tf.dynamic_stitch(indices, data)
print sess.run(output)
# 缺少了第6，第7的位置，索引最後合併的資料中，這兩個位置的值會被用隨機數代替
indices = [8, [4, 1], [[5, 2], [0, 3]]]
output = tf.dynamic_stitch(indices, data)
# 第一個2被覆蓋了，最後合併的資料是第二個2所指的位置
indices = [6, [4, 1], [[5, 2], [2, 3]]]
output = tf.dynamic_stitch(indices, data)
print sess.run(output)
print sess.run(output)
sess.close()

輸入引數：

indices: 一個列表，至少包含兩Tensor，資料型別是int32。
data: 一個列表，裡面Tensor的個數和indices相同，並且擁有相同的資料型別。
name:（可選）為這個操作取一個名字。

輸出引數：

一個Tensor，資料型別和data相同。

作者：chen_h
微訊號 & QQ：862251340
簡書地址：https://www.jianshu.com/p/00a…

CoderPai 是一個專注於演算法實戰的平臺，從基礎的演算法到人工智慧演算法都有設計。如果你對演算法實戰感興趣，請快快關注我們吧。加入AI實戰微信群，AI實戰QQ群，ACM演算法微信群，ACM演算法QQ群。長按或者掃描如下二維碼，關注 “CoderPai” 微訊號（coderpai）
這裡寫圖片描述

Tensorflow Python API 翻譯（nn）
2019-02-16
PythonAPI
Tensorflow Python API 翻譯（sparse_ops）
2018-01-20
PythonAPI
Python 使用白嫖網易翻譯 API 進行翻譯
2020-04-11
PythonAPI
Tensorflow Python API 翻譯（math_ops）（第二部分）
2019-02-28
PythonAPI
Tensorflow Python API 翻譯（math_ops）（第一部分）
2019-03-02
PythonAPI
UIScrollView API 翻譯
2013-12-28
UIViewAPI
angular -- $route API翻譯
2014-07-17
AngularAPI
angular -- $routeParams API翻譯
2014-07-16
AngularAPI
Google翻譯的API
2008-03-25
GoAPI
【Python】Python利用有道翻譯開發API應用示例
2019-07-03
PythonAPI
使用google翻譯 api 翻譯中文成其他語言
2018-08-06
GoAPI
puppeteer 呼叫谷歌翻譯api
2024-04-22
谷歌API
Draft 文件翻譯 - API - ContentState
2021-09-09
RaftAPI
翻譯文字 API說明示例
2023-04-10
API
JSON API for WP 文件翻譯
2016-09-03
JSONAPI
Python 谷歌翻譯
2018-08-14
Python谷歌
[翻譯] 使用 TensorFlow 進行分散式訓練
2022-04-10
分散式
各平臺免費翻譯API
2019-01-22
API
WAT&SWAT API Documentation翻譯理解
2020-11-18
API
谷歌神經網路機器翻譯NMT：人人可利用TensorFlow快速建立翻譯模型
2018-01-28
谷歌神經網路模型
[翻譯] TensorFlow 分散式之論文篇 "Implementation of Control Flow in TensorFlow"
2022-03-15
分散式
爬蟲呼叫百度翻譯API
2019-01-14
爬蟲API
基於百度翻譯API開發屬於自己的翻譯工具
2014-12-12
API
[翻譯]使用 ICS KeyChain API（Using the ICS KeyChain API）
2018-10-02
AIAPI
Unity Networking API文件翻譯（二）：The High Level API
2015-12-16
UnityAPI
推薦個我在用的免費翻譯軟體，支援多家翻譯API整合
2022-04-13
API
Draft 文件翻譯 - 快速開始 - 基礎API
2021-09-09
RaftAPI
教你如何利用C#呼叫百度翻譯API實現一個翻譯功能
2021-07-13
C#API
Python heapq模組官方文件翻譯
2015-12-29
Python
python抓取百度翻譯
2024-03-25
Python
tensorflow dataset API
2020-12-18
API
[譯] 使用 Nexmo 和微軟語音翻譯 API 構建 Babel Fish
2018-09-01
微軟APIBabel
IDL封裝百度翻譯API實現自動翻譯和語種識別
2024-06-26
封裝API
谷歌全attention機器翻譯模型Transformer的TensorFlow實現
2017-06-19
谷歌模型ORM
python爬蟲呼叫谷歌翻譯介面
2019-07-04
Python爬蟲谷歌
Making Games with Python & Pygame 中文翻譯
2020-12-08
GAMPython
python書的中文翻譯資源
2017-03-29
Python
[翻譯] TensorFlow 分散式之論文篇 "TensorFlow : Large-Scale Machine Learning on Heterogeneous Distributed Systems"
2022-03-12
分散式Mac

Tensorflow Python API 翻譯（array_ops）

該章介紹有關張量轉換的API

資料型別投射

資料維度轉換

資料抽取和結合

相關文章