1.tf.concat()

tensorflow中用来拼接张量的函数tf.concat()，用法:

tf.concat([tensor1, tensor2, tensor3,...], axis)

先给出tf源代码中的解释:

  t1 = [[1, 2, 3], [4, 5, 6]]
  t2 = [[7, 8, 9], [10, 11, 12]]
  tf.concat([t1, t2], 0)  # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
  tf.concat([t1, t2], 1)  # [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]
 
  # tensor t3 with shape [2, 3]
  # tensor t4 with shape [2, 3]
  tf.shape(tf.concat([t3, t4], 0))  # [4, 3]
  tf.shape(tf.concat([t3, t4], 1))  # [2, 6]

这里解释了当axis=0和axis=1的情况，怎么理解这个axis呢？其实这和numpy中的np.concatenate()用法是一样的。

axis=0     代表在第0个维度拼接

axis=1     代表在第1个维度拼接 

对于一个二维矩阵，第0个维度代表最外层方括号所框下的子集，第1个维度代表内部方括号所框下的子集。维度越高，括号越小。

对于这种情况，我可以再解释清楚一点: 

对于[ [ ], [ ]]和[[ ], [ ]]，低维拼接等于拿掉最外面括号，高维拼接是拿掉里面的括号(保证其他维度不变)。注意：tf.concat()拼接的张量只会改变一个维度，其他维度是保存不变的。比如两个shape为[2,3]的矩阵拼接，要么通过axis=0变成[4,3]，要么通过axis=1变成[2,6]。改变的维度索引对应axis的值。

这样就可以理解多维矩阵的拼接了，可以用axis的设置来从不同维度进行拼接。 

对于三维矩阵的拼接，自然axis取值范围是[0, 1, 2]。

对于axis等于负数的情况

负数在数组索引里面表示倒数(countdown)。比如，对于列表ls = [1,2,3]而言，ls[-1] = 3，表示读取倒数第一个索引对应值。

axis=-1表示倒数第一个维度，对于三维矩阵拼接来说，axis=-1等价于axis=2。同理，axis=-2代表倒数第二个维度，对于三维矩阵拼接来说，axis=-2等价于axis=1。

一般在维度非常高的情况下，我们想在最'高'的维度进行拼接，一般就直接用countdown机制，直接axis=-1就搞定了。
 

2.tf.reduce_mean()

tf.reduce_mean 函数用于计算张量 tensor 沿着指定的数轴（ tensor 的某一维度）上的的平均值，主要用作降维或者计算 tensor（图像）的平均值。

reduce_mean(input_tensor,
                axis=None,
                keepdims=False,
                name=None,
                reduction_indices=None)

第一个参数 input_tensor： 输入的待降维的 tensor;

第二个参数 axis： 指定的轴，如果不指定，则计算所有元素的均值;

第三个参数 keepdims：是否降维度，设置为 True，输出的结果保持输入 tensor 的形状，设置为 False，输出结果会降低维度;

第四个参数 name： 操作的名称;

第五个参数 reduction_indices：在以前版本中用来指定轴，已弃用;

举例：

import tensorflow as tf
 
x = [[1,2,3],[1,2,3]]
 
xx = tf.cast(x,tf.float32)
 
mean_all = tf.reduce_mean(xx, keep_dims=False)
mean_0 = tf.reduce_mean(xx, axis=0, keep_dims=False)
mean_1 = tf.reduce_mean(xx, axis=1, keep_dims=False)
 
 
with tf.Session() as sess:
    m_a,m_0,m_1 = sess.run([mean_all, mean_0, mean_1])
 
print m_a    # output: 2.0
print m_0    # output: [ 1.  2.  3.]
print m_1    #output:  [ 2.  2.]

相似的还有:

tf.reduce_sum ：计算 tensor 指定轴方向上的所有元素的累加和;
tf.reduce_max : 计算 tensor 指定轴方向上的各个元素的最大值;
tf.reduce_all : 计算 tensor 指定轴方向上的各个元素的逻辑和（and 运算）;
tf.reduce_any: 计算 tensor 指定轴方向上的各个元素的逻辑或（or 运算）;

3.tf.cond()

类似于c语言中的if...else...，用来控制数据流向

例子:

x = tf.constant(2 ) 
y = tf.constant(5 )
def  f1 ()： return tf .multiply( x , 17 )
def  f2 ()： return tf .add ( y , 23 ) 
r = tf .cond( tf.less( X ,y ), f1 , f2 )
＃r 设置为f1().
＃f2 中的操作(例如,tf.add)不执行.

4.tf.argmax(input,axis)

根据axis取值的不同返回每行或者每列最大值的索引。 这个很好理解，只是tf.argmax()的参数让人有些迷惑，比如，tf.argmax(array, 1)和tf.argmax(array, 0)有啥区别呢？ 这里面就涉及到一个概念：axis。上面例子中的1和0就是axis。我先笼统的解释这个问题，设置axis的主要原因是方便我们进行多个维度的计算。

　　比如：

test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
np.argmax(test, 0)　　　＃输出：array([3, 3, 1]
np.argmax(test, 1)　　　＃输出：array([2, 2, 0, 0]123

axis = 0: 
　　axis=0时比较每一列的元素，将每一列最大元素所在的索引记录下来，最后输出每一列最大元素所在的索引数组。

test[0] = array([1, 2, 3])
test[1] = array([2, 3, 4])
test[2] = array([5, 4, 3])
test[3] = array([8, 7, 2])
# output   :    [3, 3, 1]     

axis = 1: 
　　axis=1的时候，将每一行最大元素所在的索引记录下来，最后返回每一行最大元素所在的索引数组。

test[0] = array([1, 2, 3])  #2
test[1] = array([2, 3, 4])  #2
test[2] = array([5, 4, 3])  #0
test[3] = array([8, 7, 2])  #0

这是里面都是数组长度一致的情况，如果不一致，axis最大值为最小的数组长度-1，超过则报错。 
当不一致的时候，axis=0的比较也就变成了每个数组的和的比较。

5.tf.transpose()

x = [[1,3,5], [2,4,6]]     二维数组为2行3列的矩阵

tf.transpose(x, perm=[1, 0])，perm[1,0]代表将数组的行和列进行交换，代表矩阵的转置，转置之后为3行2列

结果为:

[

[1,2],

[3,4],

[5,6]

]

input_data = tf.constant([[[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]])   此3维数组为1x4x3，可以看成是一个4x3的二维数组

output_data = tf.transpose(input_data, perm=[1, 2, 0])

print(sess.run(output_data))

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

6.tf.reshape()

-1相当于一个未知数，可以把它当做x，即tf.reshape(a,(3,x))
程序内部会自动计算x的值，并自动变

7.tf.sequence_mask()

sequence_mask(
    lengths,
    maxlen=None,
    dtype=tf.bool,
    name=None
)

返回一个表示每个单元的前N个位置的mask张量

函数参数

• lengths：整数张量，其所有值小于等于maxlen。
• maxlen：标量整数张量，返回张量的最后维度的大小；默认值是lengths中的最大值。
• dtype：结果张量的输出类型。
• name：操作的名字。

示例:

8. tf.shape()

将矩阵的维度输出为一个维度矩阵

import tensorflow as tf
import numpy as np

A = np.array([[[1, 1, 1],
               [2, 2, 2]],
              [[3, 3, 3],
               [4, 4, 4]],
              [[5, 5, 5],
               [6, 6, 6]]])

t = tf.shape(A)
with tf.Session() as sess:
    print(sess.run(t))

# 输出
[3 2 3]