各位同學好，今天和大家分享一下TensorFlow2.0中的一些操作。內容有：

（1）排序 tf.sort()、tf.argsort()、top_k()；（2）填充 tf.pad()；（3）復制 tf.tile()；（4）限幅 tf.clip_by_value()、tf.maximum()、tf.nn.relu()、tf.clip_by_norm()；（5）根據坐標選擇 tf.where()

那我們開始吧。

---

1. 張量排序

1.1 tf.sort() 和 tf.argsort()

按升序或降序對張量進行排序，返回排序后的結果：

tf.sort(tensor, direction)

direction 指降序還是升序，默認升序排序。降序：direction='DESCENDING' ；升序：direction='ASCENDING'

按升序或降序對張量進行排序，返回索引：排序后的當前位置在原始位置中的索引：

tf.argsort(tensor, direction)

參數(shù)設置和tf.sort()相同

# 生成一維tensor，打亂順序
a = tf.random.shuffle(tf.constant([7,8,9,10,11]))
# 排序，返回值為降序排序的結果
tf.sort(a,direction='DESCENDING')
# 返回降序排序后的索引
tf.argsort(a,direction='DESCENDING')

首先我們定義一個tensor為 [8, 7, 10, 9, 11]，通過降序排序，返回結果為?[11,10,9,8,7]，得到降序排序的索引為 [4,2,3,0,1]。返回結果11在原數(shù)據中的索引為4，返回結果10在原數(shù)據中索引位置為2，返回結果9在原數(shù)據中索引位置為3。

我們也可以通過返回的索引坐標利用tf.gather()函數(shù)來獲取排序后的結果，idx中保存的是降序排序后的索引位置，gather函數(shù)針對給定的索引位置對tensor中的值進行搜集，返回降序排序好了的結果。

a = tf.random.shuffle(tf.constant([7,8,9,10,11]))
# 有了排序索引之后，我們可以通過索引來獲取原tensor中的值
# idx保存降序后的值在原數(shù)據中的索引
idx = tf.argsort(a,direction='DESCENDING')
# 使用tf.gather()按照指定索引獲取數(shù)據
tf.gather(a,idx)

我們看一下對于二維的tensor如何排序

# 創(chuàng)建一個3行3列每個元素在0-9之間的tensor
a = tf.random.uniform([3,3],maxval=10,dtype=tf.int32)
# 對a升序排序
tf.sort(a)  # 返回排序后結果
tf.argsort(a)   # 獲取改變后的元素，在原位置的索引

?對最內層維度進行升序排序，每一行返回列排序結果

---

1.2 top_k()

tf.math.top_k(tensor, k)

sort()方法和argsort()方法都是對給定Tensor的所有元素排序，在某些情況下如果我們只是要獲取排序的前幾個元素，這時候可以使用top_k()方法，指定獲取前k個元素。top_k()方法只能對最后一維進行排序

top_k()方法的返回值由兩部分構成，一部分是獲取的數(shù)據，另一部分是在原數(shù)據中的索引位置

# 創(chuàng)建3行3列的tensor，每個元素在0-9之間
a = tf.random.uniform([3,3],maxval=10,dtype=tf.int32)
# 返回前2個最大的值和索引
res = tf.math.top_k(a,2) 
# 查看前兩個最大的值
res.values
# 查看前兩個最大值在原數(shù)據中的索引位置
res.indices

以第一行為例，返回最大的兩個數(shù)是 [9,3]，9在原數(shù)據中的索引是1，而3在原數(shù)據中的索引為0。?

---

2. 填充

tf.pad( tensor, paddings )

tensor指需要填充的張量，paddings指出要給tensor的哪個維度進行填充，以及填充方式，要注意的是paddings的rank必須和tensor的rank相同

# 生成0-8的tensor，重新塑形變成3行3列
a = tf.reshape(tf.range(9),[3,3])
# 填充該tensor
# 行的上下都不填充，列的上下也不填充，不改變
tf.pad(a,[[0,0],[0,0]])
# 行的上邊填充1行，下邊不填充；列的左邊不填充，右邊填充一列
tf.pad(a,[[1,0],[0,1]])

對于一個二維的tensor，tf.pad( a, [ [1,0], [0,1] ]?) 中的paddings的左邊的括號代表第0個維度，即行維度，右邊的括號代表第1個維度，即列維度。[1,0] 是指對行維度上的上側填充一行，下側不填充。[0,1] 是指對列維度上的左側不填充，右側填充一列。用0填充。

對于一個四維的tensor，shape為[4,28,28,3]，即有4張圖像，有28行28列，3個通道，對行列填充，shape變成[4,32,32,3]

# 4張圖像28行28列3通道
a = tf.random.normal([4,28,28,3])
# 擴寬圖像的行列，左右上下邊都填充
b = tf.pad(a,[[0,0],[2,2],[2,2],[0,0]])
b.shape

第0個維度圖像維度[0,0]不填充；第1個維度行維度[2,2]，行的上側和下側都填充2行；第2個維度列維度[2,2]，列維度的左右側都填充2列；最后一個維度[0,0]不改變

---

3. 復制

tf.tile(input, multiples)

用于對張量進行擴張，將前面的數(shù)據進行復制然后直接接在原數(shù)據后面。input代表輸入的tensor變量，multiples代表在同一個維度上復制的次數(shù)。

# 創(chuàng)建一個3行3列的tensor
a = tf.reshape(tf.range(9),[3,3])
# 1代表第一個維度復制的次數(shù)，2代表第二個維度復制的次數(shù)
tf.tile(a,[1,2])
# 第一個維度變成了原來的2倍，把原來的復制了2遍。第二個維度變成2倍
tf.tile(a,[2,2])

復制時先對小維度復制，再對大維度復制。tf.tile(a,[1,2])中，2代表新tensor的第二個維度(列維度) 是原tensor第二個維度的2倍。1代表新tensor的第一個維度(行維度) 是原tensor第一個維度的1倍，即，沒有擴張第一個維度，只是把它一模一樣復制過來。

---

4. 張量限幅

4.1?tf.clip_by_value()

tf.clip_by_value(tensor, min, max)

對tensor限幅，將一個張量的值限制在指定的最大值和最小值之間。

# 根據數(shù)值來限幅
a = tf.range(10)
# 把數(shù)據值限制在2-7之間，張量a中的值小于2的都返回2，大于7的都返回7
tf.clip_by_value(a,2,7)

變量a的值為[0,1,2,3,4,5,6,7,8,9]，將a中的值限制在2到7之間，所有小于2的值都返回2，所有大于7的值都返回7。

---

4.2 tf.maximum() 和 tf.minimum()

tf.maximum(x, y)? ?指定下限，返回所有x>y的值，小于y的值變成y

tf.minimum(x, y)? ??指定上限，返回所有x<y的值，大于y的值變成y

通過 tf.minimum(tf.maxmum(x, a), b) 把x的值限制在a到b之間

a = tf.range(10)
# 限制最小值為2
tf.maximum(a,2)  
# 限制最大值為7
tf.minimum(a,7)  
# 限制在兩個區(qū)間內
tf.minimum(tf.maximum(a,2),7)

---

4.3 tf.nn.relu()

tf.nn.relu(tensor)

用于限制下限幅。輸入小于0的值，幅值為0，輸入大于0的值則不變

# 創(chuàng)建一個-5到4的一維tensor
a = tf.range(-5,5)
# 限制下限幅，小于0都返回是0
tf.nn.relu(a)

?該方法相當于使用 tf.maximum(a,0) 來限制下限。

---

4.4?tf.clip_by_norm()

根據范數(shù)來限幅：?tf.clip_by_norm(tensor, 指定范數(shù)大小)

對梯度進行裁剪，通過控制梯度的最大范數(shù)，防止梯度爆炸的問題

不改變tensor的方向，只改變tensor模的大小，使限幅后的數(shù)值的二范數(shù)為指定的范數(shù)值。計算方法是，將所有元素都乘上 指定范數(shù)/原范數(shù)。

# 根據范數(shù)來限幅
a = tf.constant([[1,2],[3,4]],dtype=tf.float32)
# 求tensor變量的二范數(shù)
tf.norm(a)
# 指定新的范數(shù)，使改變后的數(shù)值計算后得到這個新范數(shù)
a = tf.clip_by_norm(a,4)
# 計算二范數(shù)
tf.norm(a)

---

5. 根據坐標選擇值

tf.where(condition, x, y)

condition 是一個tensor，是布爾類型的數(shù)據；如果x、y均為空，那么返回condition中的值為True的位置的Tensor；如果x、y均存在，那么如果condition為True，就選擇x，condition為False，就選擇y。

（1）使用tf.boolean_mask()獲取元素

# 生成一個-4到4的tensor，變成3行3列
a = tf.reshape(tf.range(-4,5),[3,3])
# 與0比較，返回布爾類型的tensor，返回的shape和原來的shape相同
mask = a>0 
# 獲取元素對應位置是True的元素
tf.boolean_mask(a,mask)

mask = a>0，是指mask將tensor中元素大于0的元素返回True，否則返回False，返回值的shape和原tensor的shape一致。

使用tf.boolean_mask()，mask是指定位置的布爾索引，變量a和mask相互對應，函數(shù)返回mask中索引為True所對應變量a中的值。

（2）使用tf.where()記錄元素坐標

a = tf.reshape(tf.range(-4,5),[3,3])
# 使用where函數(shù)結合mask標記，返回所有為True元素的坐標，獲取對應元素
mask = a>0
# 返回所有指定mask的坐標
indices = tf.where(mask)
# 通過indices指定的坐標來獲取所要的值
tf.gather_nd(a,indices)

indices存放的是所有mask為True的坐標，使用tf.gather_nd()方法通過坐標來獲取tensor中的值。

（3）當where()中有兩個tensor時

# 兩個相同shape的tensor
a = tf.fill([3,3],4)
b = tf.fill([3,3],7)
# 獲取布爾索引，已經定義好了，如下圖
mask 
# 根據布爾索引篩選a和b中的值
tf.where(mask,a,b)

mask中第一個值時False，返回值變量b中的第一個元素，mask中的值是True，對應位置就返回變量a中的元素

? ??

?

?

總結

以上是生活随笔為你收集整理的【TensorFlow2.0】(7) 张量排序、填充、复制、限幅、坐标选择的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。