Skip to main content

tf.where()函数

tf.where()定义如下：
where(condition, x=None, y=None,name=None)
condition:一个Tensor,数据类型为tf.bool类型
如果x、y均为空，那么返回condition中值为True的位置的Tensor：例如：x就是condition，y是返回值

Comments

Post a Comment

Popular posts from this blog

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
Post a Comment
Read more

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
Post a Comment
Read more

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。
Post a Comment
Read more