1.tf.where()

第一种用法：

where(condition）的用法

where(condition, x=None, y=None, name=None)

condition是bool型值，True/False
返回值，是condition中元素为True对应的索引
例如：

import tensorflow as tf
a = [[1,2,3],[4,5,6]]
b = [[1,0,3],[1,5,1]]
condition1 = [[True,False,False],[False,True,True]]
condition2 = [[True,False,False],[False,True,False]]
with tf.Session() as sess:print(sess.run(tf.where(condition1)))print(sess.run(tf.where(condition2)))

结果1：
[[0 0][1 1][1 2]]
结果2：
[[0 0][1 1]]

第二种用法：

where(condition, x=None, y=None, name=None)
condition是bool型值，True/False, x, y 相同维度，
返回值是对应元素，condition中元素为True的元素替换为x中的元素，为False的元素替换为y中对应元素。
x只负责对应替换True的元素，y只负责对应替换False的元素，x，y各有分工
由于是替换，返回值的维度，和condition，x ， y都是相等的。

import tensorflow as tf
x = [[1,2,3],[4,5,6]]
y = [[7,8,9],[10,11,12]]
condition3 = [[True,False,False],[False,True,True]]
condition4 = [[True,False,False],[True,True,False]]
with tf.Session() as sess:print(sess.run(tf.where(condition3,x,y)))print(sess.run(tf.where(condition4,x,y)))
结果：
[[ 1  8  9]
[10  5  6]]
[[ 1  8  9]
[ 4  5 12]]

第三种用法：

tf.where(tf.greater(A, B), a, b)
tf.greater(a,b)
功能：通过比较a、b两个值的大小来输出True和False。
where会先判断第一项是否为true,如果为true则返回a；否则返回b;而greater则是比较A是否大于B,是的话返回true;否则返回false

2.tf.gather()

我们知道，ndarray和list都可以直接通过索引进行切片，但tensor却不行。不过TensorFlow提供了多个函数来进行张量切片，tf.gather()就是其中一种，其调用形式如下：

tf.gather(params, indices, validate_indices=None, name=None, axis=0)

参数：

params：要进行切片的ndarray或list或tensor等
indices：索引向量，其类型可以是ndarray、list、tensor等
axis ：对哪个轴进行切片
函数功能：
从’params’的’axis’维根据’indices’的参数值获取切片。就是在axis维根据indices取某些值，最终得到新的tensor
示例：
1. params 的维数为1

import tensorflow as tf
import numpy as np
# params = np.random.randint(1, 10, 5)
# params = [2, 3, 4, 5, 6, 7]
params = tf.constant([2, 3, 4, 5, 6, 7])
# indices = np.array([2, 1, 4, 2])
# indices = [2, 1, 4, 2]
indices = tf.constant([2, 1, 4, 2])
tensor1 = tf.gather(params, indices)
with tf.Session() as sess:# print(params)print(sess.run(params))print(sess.run(tensor1))
结果：
[2 3 4 5 6 7]
[4 3 6 4]#分析：根据indices逐一取出params中对应索引的元素，并组成新的张量。

2. params 的维数为2

import tensorflow as tf
import numpy as npparams = np.random.randint(1, 10, (4, 5))
indices = tf.constant([2, 1, 0, 2])
tensor0 = tf.gather(params, indices, axis=0)
tensor1 = tf.gather(params, indices, axis=1)
with tf.Session() as sess:print('params =', params)print('tensor0 =', sess.run(tensor0))print('tensor1 =', sess.run(tensor1))
结果：
params = [[5 1 4 7 2][1 8 9 1 7][2 1 8 7 2][8 9 5 8 7]]
tensor0 = [[2 1 8 7 2][1 8 9 1 7][5 1 4 7 2][2 1 8 7 2]]
tensor1 = [[4 1 5 4][9 8 1 9][8 1 2 8][5 9 8 5]]

对于二维params，
当indices是标量且是张量时，得到的结果不会降维；
当indices是标量且是ndarray时，得到的结果会降维。

import tensorflow as tf
import numpy as npparams = np.random.randint(1, 10, (3, 4))
indices1 = tf.constant([2])
indices2 = 2
tensor1 = tf.gather(params, indices1, axis=0)
tensor2 = tf.gather(params, indices2, axis=0)
with tf.Session() as sess:print('params =', params)print('tensor1 =', sess.run(tensor1))print('tensor2 =', sess.run(tensor2))
结果：
params = [[9 2 1 7][7 8 2 3][9 7 2 9]]
tensor1 = [[9 7 2 9]]
tensor2 = [9 7 2 9]

3.tf.squeeze()

tf.squeeze(input, axis=None, name=None, squeeze_dims=None)
该函数返回一个张量，这个张量是将原始input中所有维度为1的那些维都删掉的结果。
axis可以用来指定要删掉的为1的维度，此处要注意指定的维度必须确保其是1，否则会报错。

import tensorflow as tf
input_tensor = tf.ones((2, 1, 1, 3, 2))
new_tensor1 = tf.squeeze(input_tensor)
new_tensor2 = tf.squeeze(input_tensor, [1])
with tf.Session() as sess:print(sess.run(tf.shape(input_tensor)))print(sess.run(tf.shape(new_tensor1)))print(sess.run(tf.shape(new_tensor2)))
结果：
[2 1 1 3 2]
[2 3 2]
[2 1 3 2]

附加：

tf.less()、tf.greater()、tf.equal()等比较函数

这几个函数用于逐元素比较两个张量的大小，并返回比较结果（True or False）构成的布尔型张量。下面以tf.less()为例：
tf.less(x, y, name=None）
tf.less()返回了两个张量各元素比较(x<y)得到的真假值组成的张量。
提示：

tf.less()支持broadcast机制；
tf.less(x, y)中的 x 和 y 可以是tensor、ndarray、list等。

x = tf.constant([[1, 2, 3], [4, 5, 6]])
y1 = tf.constant([[2, 1, 2], [2, 6, 7]])
y2 = tf.constant([3, 6, 9])
y3 = tf.constant([3])
with tf.Session() as sess:print(sess.run(tf.less(x, y1)))print(sess.run(tf.less(x, y2)))print(sess.run(tf.less(x, y3)))
结果：
[[ True False False][False  True  True]]
[[ True  True  True][False  True  True]]
[[ True  True False][False False False]]

总结：

tf.less(x, y) —— x < y 为True
tf.equal(x, y) —— x == y 为True
tf.greater(x, y) —— x > y 为True
tf.greater_equal(x, y) —— x >= y 为True
tf.less_equal(x, y) —— x <= y 为True

TensorFlow常用函数tf.where()、tf.gather()、tf.squeeze()详解！！相关推荐

viper4android io错误,golang常用库之配置文件解析库-viper使用详解
一.viper简介 viper 配置管理解析库,是由大神 Steve Francia 开发,他在google领导着 golang 的产品开发,他也是 gohugo.io 的创始人之一,命令行解析库 c ...
python装饰器函数-Python函数装饰器常见使用方法实例详解
本文实例讲述了Python函数装饰器常见使用方法.分享给大家供大家参考,具体如下: 一.装饰器首先,我们要了解到什么是开放封闭式原则? 软件一旦上线后,对修改源代码是封闭的,对功能的扩张是开放的,所 ...
python跨函数调用变量_对python中不同模块(函数、类、变量)的调用详解
首先,先介绍两种引入模块的方法. 法一:将整个文件引入 import 文件名文件名.函数名( ) / 文件名.类名通过这个方法可以运行另外一个文件里的函数法二:只引入某个文件中一个类/函数/变量 ...
python中search和match的区别_Python中正则表达式match()、search()函数及match()和search()的区别详解...
match()和search()都是python中的正则匹配函数,那这两个函数有何区别呢? match()函数只检测RE是不是在string的开始位置匹配, search()会扫描整个string查找 ...
python函数定义及调用-python函数声明和调用定义及原理详解
这篇文章主要介绍了python函数声明和调用定义及原理详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下函数是指代码片段,可以重复调用,比如我们前 ...
html5走格子游戏,JS/HTML5游戏常用算法之碰撞检测地图格子算法实例详解
JS/HTML5游戏常用算法之碰撞检测地图格子算法实例详解发布时间:2020-09-26 20:42:24 来源:脚本之家阅读:112 作者:krapnik 本文实例讲述了JS/HTML5游戏常 ...
python函数声明和调用定义及原理详解
这篇文章主要介绍了python函数声明和调用定义及原理详解,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下函数是指代码片段,可以重复调用,比如我们前 ...
python函数中可变参数的传递方式_详解Python函数可变参数定义及其参数传递方式...
Python函数可变参数定义及其参数传递方式详解 python中函数不定参数的定义形式如下 1. func(*args) 传入的参数为以元组形式存在args中,如: def func(*args): ...
记录之 tensorflow 常用函数：tf.split()，tf.clip_by_value() 和 tf.cond()
1.tf.split(axis, num_or_size_splits,value) 该函数是通道拆分函数,将原来的的多通道tensor,拆分为单通道 axis:拆分的维度 num_or_size_s ...

TensorFlow常用函数tf.where()、tf.gather()、tf.squeeze()详解！！

1.tf.where()

2.tf.gather()

3.tf.squeeze()

tf.less()、tf.greater()、tf.equal()等比较函数

TensorFlow常用函数tf.where()、tf.gather()、tf.squeeze()详解！！相关推荐

最新文章

热门文章