tf.unstack 用法

看代码：
import tensorflow as tf
import numpy as np
t=np.random.randint(1,10,(3,5))
ustack1=tf.unstack(t,axis=1)
ustack2=tf.unstack(t,axis=0)
sess=tf.Session()
print(t)
print(sess.run(ustack1))
print(sess.run(ustack2))
输出结果如下：
[[4 7 3 5 5] [3 5 8 4 1] [2 2 9 8 7]] [array([4, 3, 2]), array([7, 5, 2]), array([3, 8, 9]), array([5, 4, 8]), array([5, 1, 7])] [array([4, 7, 3, 5, 5]), array([3, 5, 8, 4, 1]), array([2, 2, 9, 8, 7])]

Comments

Session Run的用法

feed_dict参数的作用是替换图中的某个tensor的值。例如： a = tf.add(2, 5) #a=7 b = tf.multiply(a, 3) #b=3*7=21 with tf.Session() as sess: print(sess.run(b)) replace_dict = {a:15} #用15代替b算式中的a print(sess.run(b, feed_dict = replace_dict)) --------------------- 输出如下： 21 45

tf.split用法

按照行或者列分割一个矩阵第一个参数是待切分的张量，第二个是切分的大小，共切分为三个，每一个分别为4列，15列，11列。第三个参数为1表示按照列切分，为0表示按照行切分。切分的子块的大小加起来应该等于母块的大小。比如这个例子，4+15+11=30列看下面的代码例子

谈axis

Python和TF张量计算中经常见的形参，代表什么意思呢？首先请看一下官方帮助的解释：轴用来为超过一维的数组定义的属性，二维数据拥有两个轴：第0轴沿着行的垂直往下，第1轴沿着列的方向水平延伸。如下图注意看，官方对于0和1的解释是轴，也就是坐标轴。而坐标轴是有方向的，所以千万不要用行和列的思维去想axis，因为行和列是没有方向的，这样想会在遇到不同的例子时感到困惑。根据官方的说法，1表示横轴，方向从左到右；0表示纵轴，方向从上到下。当axis=1时，数组的变化是横向的，而体现出来的是列的增加或者减少。我们拿图形举个例子：我们有一个正方形，假设是4x4的接下来我们让他横向增加一个单位，也就是长度+1，变成了一个5x4的长方形也就是说，对于这个4x4的正方形而言，当axis=1时，体现的是横向的长度+1，而如果这是一个4行4列的二维数组同样也是如此，但是体现出来是增加了一列。所以其实axis的重点在于方向，而不是行和列。具体到各种用法而言也是如此。当axis=1时，如果是求平均，那么是从左到右横向求平均；如果是拼接，那么也是左右横向拼接；如果是drop，那么也是横向发生变化，体现为列的减少。当考虑了方向，即axis=1为横向，axis=0为纵向，而不是行和列，那么所有的例子就都统一了。题主的疑问也就迎刃而解。

大号头儿

Search This Blog