TensorFlow2基本操作 TensorFlow2基本操作之 张量排序 填充与复制 查找与替换
我是小白呀 人气:0张量排序
tf.sort
tf.sort
函数可以帮我们对张量进行排序.
格式:
tf.sort( values, axis=-1, direction='ASCENDING', name=None )
参数:
- values: 要进行排序的张量
- axis: 操作维度
- direction: 正序或者倒序
- name: 数据名称
例子:
# 创建张量0~9, 并打乱顺序 a = tf.random.shuffle(tf.range(10)) print(a) # 从小到大 b = tf.sort(a) # direction="ASCENDING" print(b) # 从大到小 c = tf.sort(a, direction="DESCENDING") print(c)
输出结果:
tf.Tensor([6 3 7 5 4 0 2 9 8 1], shape=(10,), dtype=int32)
tf.Tensor([0 1 2 3 4 5 6 7 8 9], shape=(10,), dtype=int32)
tf.Tensor([9 8 7 6 5 4 3 2 1 0], shape=(10,), dtype=int32)
tf.argsort
tf.argsort
返回张量的索引排序, 沿给的轴排序.
格式:
tf.argsort( values, axis=-1, direction='ASCENDING', stable=False, name=None )
参数:
- 要进行排序的张量
- axis: 操作维度
- direction: 正序或者倒序
- stable: 如果为 True, 则原始张量中的相等元素将不会按返回的顺序重新排序
- name: 数据名称
例子:
# 创建张量0~9, 并打乱顺序 a = tf.random.shuffle(tf.range(10)) print(a) # 从小到大 b = tf.argsort (a) print(b) # 从大到小 c = tf.argsort (a, direction="DESCENDING") print(c)
输出结果:
tf.Tensor([9 4 3 1 2 6 0 5 7 8], shape=(10,), dtype=int32)
tf.Tensor([6 3 4 2 1 7 5 8 9 0], shape=(10,), dtype=int32)
tf.Tensor([0 9 8 5 7 1 2 4 3 6], shape=(10,), dtype=int32)
tf.math.top_k
tf.math.top_k
可以帮助我们查找最后一个维度的 k 个最大条目的值和索引.
格式:
tf.math.top_k( input, k=1, sorted=True, name=None )
参数:
- input: 传入张量
- k=1: 前 k 位
- sorted: 是否排序
- name: 数据名称
例子:
# 创建张量0~9, 并打乱顺序, 形状为 3*3 a = tf.reshape(tf.random.shuffle(tf.range(9)), [3, 3]) print(a) # 取top2 b = tf.math.top_k(a, 2) print(b)
输出结果:
tf.Tensor(
[[2 1 4]
[5 7 0]
[8 6 3]], shape=(3, 3), dtype=int32)
TopKV2(values=<tf.Tensor: shape=(3, 2), dtype=int32, numpy=
array([[4, 2],
[7, 5],
[8, 6]])>, indices=<tf.Tensor: shape=(3, 2), dtype=int32, numpy=
array([[2, 0],
[1, 0],
[0, 1]])>)
填充与复制
tf.pad
tf.pad
可以帮我们对一个 tensor 四周进行填充.
格式:
tf.pad( tensor, paddings, mode='CONSTANT', constant_values=0, name=None )
参数:
- tensor: 传入的张量
- paddings: 要扩展的维度
- mode: 模式, 默认为 “CONSTANT”
- constant_value: 在 “CONSTANT” 模式下, 要使用的标量填充值 (必须与张量类型相同)
- name: 数据名称
例子:
# pad a = tf.reshape(tf.range(9), [3, 3]) print(a) # 上下左右填充一圈0 b = tf.pad(a, [[1, 1], [1, 1]]) print(b)
输出结果:
tf.Tensor(
[[0 1 2]
[3 4 5]
[6 7 8]], shape=(3, 3), dtype=int32)
tf.Tensor(
[[0 0 0 0 0]
[0 0 1 2 0]
[0 3 4 5 0]
[0 6 7 8 0]
[0 0 0 0 0]], shape=(5, 5), dtype=int32)
tf.tile
tf.tile
可以帮助我们实现 tensor 的复制.
格式:
tf.tile( input, multiples, name=None )
参数:
- input: 传入的张量
- multiples: 复制的次数
- name: 数据名称
例子:
# tile a = tf.reshape(tf.range(9), [3, 3]) print(a) b = tf.tile(a, [2, 2]) print(b)
输出结果:
tf.Tensor(
[[0 1 2]
[3 4 5]
[6 7 8]], shape=(3, 3), dtype=int32)
tf.Tensor(
[[0 1 2 0 1 2]
[3 4 5 3 4 5]
[6 7 8 6 7 8]
[0 1 2 0 1 2]
[3 4 5 3 4 5]
[6 7 8 6 7 8]], shape=(6, 6), dtype=int32)
查找与替换
tf.where (第一种)
返回元素为 True 的位置.
格式:
tf.where( condition, name=None )
参数:
- condition: 判断条件
- name: 数据名称
例子:
# 第一种用法(单参数) mask = tf.constant([[True, True, True], [False, True, True], [True, False, False]]) print(mask) indices = tf.where(mask) print(indices)
输出结果:
tf.Tensor(
[[ True True True]
[False True True]
[ True False False]], shape=(3, 3), dtype=bool)
tf.Tensor(
[[0 0]
[0 1]
[0 2]
[1 1]
[1 2]
[2 0]], shape=(6, 2), dtype=int64)
tf.where (第二种)
类似三元运算符的用法.
格式:
tf.where( condition, x=None, y=None, name=None )
参数:
- condition: 判断条件
- x: 如果条件为 True 赋值
- y: 如果条件为 False 赋值
- name: 数据名称
例子:
# 第二种用法(三个参数) zeros = tf.zeros([3, 3]) print(zeros) ones = tf.ones([3, 3]) print(ones) mask = tf.constant([[True, True, True], [False, True, True], [True, False, False]]) print(mask) result = tf.where(mask, zeros, ones) print(result)
输出结果:
tf.Tensor(
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]], shape=(3, 3), dtype=float32)
tf.Tensor(
[[1. 1. 1.]
[1. 1. 1.]
[1. 1. 1.]], shape=(3, 3), dtype=float32)
tf.Tensor(
[[ True True True]
[False True True]
[ True False False]], shape=(3, 3), dtype=bool)
tf.Tensor(
[[0. 0. 0.]
[1. 0. 0.]
[0. 1. 1.]], shape=(3, 3), dtype=float32)
tf.scatter_nd
使用索引更新张量.
格式:
tf.scatter_nd( indices, updates, shape, name=None )
参数:
- indices: 索引
- updates: 更新的值
- shape: 形状
- name: 数据名称
例子:
# scatter_nd indices = tf.constant([[4], [3], [1], [7]]) print(indices) updates = tf.constant([9, 10, 11, 12]) print(updates) shape = tf.constant([8]) print(shape) result = tf.scatter_nd(indices, updates, shape) print(result)
输出结果:
tf.Tensor(
[[4]
[3]
[1]
[7]], shape=(4, 1), dtype=int32)
tf.Tensor([ 9 10 11 12], shape=(4,), dtype=int32)
tf.Tensor([8], shape=(1,), dtype=int32)
tf.Tensor([ 0 11 0 10 9 0 0 12], shape=(8,), dtype=int32)
加载全部内容