Tensorflow Python API 翻译（array_ops）

作者：chen_h

微信号 & QQ：862251340

微信公众号：coderpai

我的博客：请点击这里

数据类型投射

Tensorflow提供了很多的数据类型投射操作，你能将数据类型投射到一个你想要的数据类型上去。

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

解释：这个函数是将一个 string 的 Tensor 转换成一个数字类型的 Tensor 。但是要注意一点，如果你想转换的数字类型是 tf.float32 ，那么这个 string 去掉引号之后，里面的值必须是一个合法的浮点数，否则不能转换。如果你想转换的数字类型是 tf.int32 ，那么这个 string 去掉引号之后，里面的值必须是一个合法的浮点数或者整型，否则不能转换。

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)

输入参数：

* string_tensor : 一个 string 类型的 Tensor 。

* out_type : 一个可选的数据类型 tf.DType ，默认的是 tf.float32 ，但我们也可以选择 tf.int32 或者 tf.float32 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型是 out_type ，数据维度和 string_tensor 相同。

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

解释：这个函数是将一个 Tensor 的数据类型转换成 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)

输入参数：

* x : 一个 Tensor 或者是 SparseTensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor 或者 SparseTensor ，数据类型是 float64 ，数据维度和 x 相同。

提示：

* 错误: 如果 x 是不能被转换成 float64 类型的，那么将报错。

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

解释：这个函数是将一个 Tensor 的数据类型转换成 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)

输入参数：

* x : 一个 Tensor 或者是 SparseTensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor 或者 SparseTensor ，数据类型是 float32 ，数据维度和 x 相同。

提示：

* 错误: 如果 x 是不能被转换成 float32 类型的，那么将报错。

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

解释：这个函数是将一个 Tensor 的数据类型转换成 bfloat16 。

译者注：这个 API 的作用不是很理解，但我测试了一下，输入的 x 必须是浮点型的，别的类型都不行。

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)

输入参数：

* x : 一个 Tensor 或者是 SparseTensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor 或者 SparseTensor ，数据类型是 bfloat16 ，数据维度和 x 相同。

提示：

* 错误: 如果 x 是不能被转换成 bfloat16 类型的，那么将报错。

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

解释：这个函数是将一个 Tensor 的数据类型转换成 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)

输入参数：

* x : 一个 Tensor 或者是 SparseTensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor 或者 SparseTensor ，数据类型是 int32 ，数据维度和 x 相同。

提示：

* 错误: 如果 x 是不能被转换成 int32 类型的，那么将报错。

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

解释：这个函数是将一个 Tensor 的数据类型转换成 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)

输入参数：

* x : 一个 Tensor 或者是 SparseTensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor 或者 SparseTensor ，数据类型是 int64 ，数据维度和 x 相同。

提示：

* 错误: 如果 x 是不能被转换成 int64 类型的，那么将报错。

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

解释：这个函数是将一个 Tensor 或者 SparseTensor 的数据类型转换成 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)

输入参数：

* x : 一个 Tensor 或者是 SparseTensor 。

* dtype : 目标数据类型。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor 或者 SparseTensor ，数据维度和 x 相同。

提示：

* 错误: 如果 x 是不能被转换成 dtype 类型的，那么将报错。

数据维度转换

Tensorflow提供了很多的数据维度转换操作，你能改变数据的维度，将它变成你需要的维度。

tf.shape(input, name = None)

解释：这个函数是返回 input 的数据维度，返回的 Tensor 数据维度是一维的。

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)

输入参数：

* input : 一个 Tensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型是 int32 。

tf.size(input, name = None)

解释：这个函数是返回 input 中一共有多少个元素。

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)

输入参数：

* input : 一个 Tensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型是 int32 。

tf.rank(input, name = None)

解释：这个函数是返回 Tensor 的秩。

注意： Tensor 的秩和矩阵的秩是不一样的， Tensor 的秩指的是元素维度索引的数目，这个概念也被成为 order , degree 或者 ndims 。比如，一个 Tensor 的维度是 [1, 28, 28, 1] ，那么它的秩就是 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)

输入参数：

* input : 一个 Tensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型是 int32 。

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

解释：这个函数的作用是对 tensor 的维度进行重新组合。给定一个 tensor ，这个函数会返回数据维度是 shape 的一个新的 tensor ，但是 tensor 里面的元素不变。

如果 shape 是一个特殊值 [-1] ，那么 tensor 将会变成一个扁平的一维 tensor 。

如果 shape 是一个一维或者更高的 tensor ，那么输入的 tensor 将按照这个 shape 进行重新组合，但是重新组合的 tensor 和原来的 tensor 的元素是必须相同的。

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)

输入参数：

* tensor : 一个 Tensor 。

* shape : 一个 Tensor ，数据类型是 int32 ，定义输出数据的维度。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和输入数据相同。

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

解释：这个函数的作用是将 input 中维度是 1 的那一维去掉。但是如果你不想把维度是 1 的全部去掉，那么你可以使用 squeeze_dims 参数，来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]

输入参数：

* input : 一个 Tensor 。

* squeeze_dims : （可选）一个序列，索引从 0 开始，只移除该列表中对应位的 tensor 。默认下，是一个空序列 [] 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和输入数据相同。

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

解释：这个函数的作用是向 input 中插入维度是 1 的张量。

我们可以指定插入的位置 dim ， dim 的索引从 0 开始， dim 的值也可以是负数，从尾部开始插入，符合 python 的语法。

这个操作是非常有用的。举个例子，如果你有一张图片，数据维度是 [height, width, channels] ，你想要加入“批量”这个信息，那么你可以这样操作 expand_dims(images, 0) ，那么该图片的维度就变成了 [1, height, width, channels] 。

这个操作要求：

-1-input.dims() <= dim <= input.dims()

这个操作是 squeeze() 函数的相反操作，可以一起灵活运用。

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))

输入参数：

* input : 一个 Tensor 。

* dim : 一个 Tensor ，数据类型是 int32 ，标量。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和输入数据相同，数据和 input 相同，但是维度增加了一维。

数据抽取和结合

Tensorflow提供了很多的数据抽取和结合的方法。

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

[[[1, 1, 1], [2, 2, 2]], 
[[33, 3, 3], [4, 4, 4]], 
[[5, 5, 5], [6, 6, 6]]]

操作满足：

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)

输入参数：

* input_ : 一个 Tensor 。

* begin : 一个 Tensor ，数据类型是 int32 或者 int64 。

* size : 一个 Tensor ，数据类型是 int32 或者 int64 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和 input_ 相同。

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

解释：这个函数的作用是，沿着 split_dim 维度将 value 切成 num_split 块。要求， num_split 必须被 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))

输入参数：

* split_dim : 一个0维的 Tensor ，数据类型是 int32 ，该参数的作用是确定沿着哪个维度进行切割，参数范围 [0, rank(value)) 。

* num_split : 一个0维的 Tensor ，数据类型是 int32 ，切割的块数量。

* value : 一个需要切割的 Tensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 从 value 中切割的 num_split 个 Tensor 。

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

解释：这个函数的作用是通过给定的 tensor 去构造一个新的 tensor 。所使用的方法是将 input 复制 multiples 次，输出的 tensor 的第 i 维有 input.dims(i) * multiples[i] 个元素， input 中的元素被复制 multiples[i] 次。比如， input = [a b c d], multiples = [2] ，那么 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)

输入参数：

* input_ : 一个 Tensor ，数据维度是一维或者更高维度。

* multiples : 一个 Tensor ，数据类型是 int32 ，数据维度是一维，长度必须和 input 的维度一样。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和 input 相同。

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

解释：这个函数的作用是向 input 中按照 paddings 的格式填充 0 。 paddings 是一个整型的 Tensor ，数据维度是 [n, 2] ，其中 n 是 input 的秩。对于 input 的中的每一维 D ， paddings[D, 0] 表示增加多少个 0 在 input 之前， paddings[D, 1] 表示增加多少个 0 在 input 之后。举个例子，假设 paddings = [[1, 1], [2, 2]] 和 input 的数据维度是 [2,2] ，那么最后填充完之后的数据维度如下：

也就是说，最后的数据维度变成了 [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

输入参数：

* input : 一个 Tensor 。

* paddings : 一个 Tensor ，数据类型是 int32 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和 input 相同。

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

解释：这个函数的作用是沿着 concat_dim 维度，去重新串联 value ，组成一个新的 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
从直观上来看，我们取的concat_dim的那一维的元素个数肯定会增加。比如，上述例子中的d1的第0维增加了，而且d1.shape[0] = t1.shape[0]+t2.shape[0]。

输入参数：

* concat_dim : 一个零维度的 Tensor ，数据类型是 int32 。

* values : 一个 Tensor 列表，或者一个单独的 Tensor 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个重新串联之后的 Tensor 。

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

解释：这个函数的作用是将秩为 R 的 tensor 打包成一个秩为 R+1 的 tensor 。具体的公式可以表示为：

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)

输入参数：

* values : 一个 Tensor 的列表，每个 Tensor 必须有相同的数据类型和数据维度。

* name :（可选）为这个操作取一个名字。

输出参数：

* output : 一个打包的 Tensor ，数据类型和 values 相同。

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

解释：这个函数的作用是将秩为 R+1 的 tensor 解压成一些秩为 R 的 tensor 。其中， num 表示要解压出来的 tensor 的个数。如果， num 没有被指定，那么 num = value.shape[0] 。如果， value.shape[0] 无法得到，那么系统将抛出异常 ValueError 。具体的公式可以表示为：

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)

输入参数：

* value : 一个秩大于 0 的 Tensor 。

* num : 一个整型， value 的第一维度的值。

* name :（可选）为这个操作取一个名字。

输出参数：

* 从 value 中解压出来的一个 Tensor 数组。

异常：

* ValueError : 如果 num 没有被正确指定，那么将抛出异常。

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

解释：将 input 中的值沿着第 seq_dim 维度进行翻转。

这个操作先将 input 沿着第 0 维度切分，然后对于每个切片，将切片长度为 seq_lengths[i] 的值，沿着第 seq_dim 维度进行翻转。

向量 seq_lengths 中的值必须满足 seq_lengths[i] < input.dims[seq_dim] ，并且其长度必须是 input_dims(0) 。

对于每个切片 i 的输出，我们将第 seq_dim 维度的前 seq_lengths[i] 的数据进行翻转。

比如：

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

# 因为input的第0维度是4，所以先将input切分成4个切片；
# 因为seq_dim是1，所以我们按着第1维度进行翻转。
# 因为seq_lengths[0] = 7，所以我们第一个切片只翻转前7个值，该切片的后面的值保持不变。
# 因为seq_lengths[1] = 2，所以我们第一个切片只翻转前2个值，该切片的后面的值保持不变。
# 因为seq_lengths[2] = 3，所以我们第一个切片只翻转前3个值，该切片的后面的值保持不变。
# 因为seq_lengths[3] = 5，所以我们第一个切片只翻转前5个值，该切片的后面的值保持不变。
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]]

输入参数：

* input : 一个 Tensor ，需要反转的数据。

* seq_lengths : 一个 Tensor ，数据类型是 int64 ，数据长度是 input.dims(0) ，并且 max(seq_lengths) < input.dims(seq_dim) 。

* seq_dim : 一个 int ，确定需要翻转的维度。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和 input 相同，数据维度和 input 相同。

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

解释：将指定维度中的数据进行翻转。

给定一个 tensor 和一个 bool 类型的 dims ， dims 中的值为 False 或者 True 。如果 dims[i] == True ，那么就将 tensor 中这一维的数据进行翻转。

tensor 最多只能有 8 个维度，并且 tensor 的秩必须和 dims 的长度相同，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()

输入参数：

* tensor : 一个 Tensor ，数据类型必须是以下之一： uint8 ， int8 ， int32 ， bool ， float32 或者 float64 ，数据维度不超过 8 维。

* dims : 一个 Tensor ，数据类型是 bool 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和 tensor 相同，数据维度和 tensor 相同。

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

解释：将 a 进行转置，并且根据 perm 参数重新排列输出维度。

输出数据 tensor 的第 i 维将根据 perm[i] 指定。比如，如果 perm 没有给定，那么默认是 perm = [n-1, n-2, ..., 0] ，其中 rank(a) = n 。默认情况下，对于二维输入数据，其实就是常规的矩阵转置操作。

比如：

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

# 因为 output_data.dims[0] = input_data.dims[ perm[0] ]
# 因为 output_data.dims[1] = input_data.dims[ perm[1] ]
# 因为 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()

输入参数：

* a : 一个 Tensor 。

* perm : 一个对于 a 的维度的重排列组合。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个经过翻转的 Tensor 。

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

解释：根据 indices 索引，从 params 中取对应索引的值，然后返回。

indices 必须是一个整型的 tensor ，数据维度是常量或者一维。最后输出的数据维度是 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 是一个从 0 到 params.shape[0] 的排列，即 len(indices) = params.shape[0] ，那么这个操作将把 params 进行重排列。

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()

输入参数：

* params : 一个 Tensor 。

* indices : 一个 Tensor ，数据类型必须是 int32 或者 int64 。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和 params 相同。

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

解释：根据从 partitions 中取得的索引，将 data 分割成 num_partitions 份。

我们先从 partitions.ndim 中取出一个元祖 js ，那么切片 data[js, ...] 将成为输出数据 outputs[partitions[js]] 的一部分。我们将 js 按照字典序排列，即 js 里面的值为 (0, 0, ..., 1, 1, ..., 2, 2, ..., ..., num_partitions - 1, num_partitions - 1, ...) 。我们将 partitions[js] = i 的值放入 outputs[i] 。 outputs[i] 中的第一维对应于 partitions.values == i 的位置。更多细节如下：

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

这句话不是很明白，说说自己的理解。

data.shape(0) 必须和 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]

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()

输入参数：

* data : 一个 Tensor 。

* partitions : 一个 Tensor ，数据类型必须是 int32 。任意数据维度，但其中的值必须是在范围 [0, num_partitions) 。

* num_partitions : 一个 int ，其值必须不小于 1 。输出的切片个数。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个数组 Tensor ，数据类型和 data 相同。

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

解释：这是一个交错合并的操作，我们根据 indices 中的值，将 data 交错合并，并且返回一个合并之后的 tensor 。

如下构建一个合并的 tensor ：

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

其中， m 是一个从 0 开始的索引。如果 indices[m] 是一个标量或者向量，那么我们可以得到更加具体的如下推导：

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

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

从上式的推导，我们也可以看出最终合并的数据是按照索引从小到大 排序 的。那么会产生两个问题：1）假设如果一个索引同时存在 indices[m][i] 和 indices[n][j] 中，其中 (m, i) < (n, j) 。那么， data[n][j] 将作为最后被合并的值。2）假设索引越界了，那么缺失的位上面的值将被随机值给填补。

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]]

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，索引最后合并的数据中，这两个位置的值会被用随机数代替
indices = [8, [4, 1], [[5, 2], [0, 3]]]
output = tf.dynamic_stitch(indices, data)
# 第一个2被覆盖了，最后合并的数据是第二个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()

输入参数：

* indices : 一个列表，至少包含两 Tensor ，数据类型是 int32 。

* data : 一个列表，里面 Tensor 的个数和 indices 相同，并且拥有相同的数据类型。

* name :（可选）为这个操作取一个名字。

输出参数：

* 一个 Tensor ，数据类型和 data 相同。

CoderPai 是一个专注于算法实战的平台，从基础的算法到人工智能算法都有设计。如果你对算法实战感兴趣，请快快关注我们吧。加入AI实战微信群，AI实战QQ群，ACM算法微信群，ACM算法QQ群。详情请关注 “CoderPai” 微信号（coderpai） 。