tf.slice(input_,begin,size)
slice常翻译成切片，这个翻译不好。用”片段”，“截断”更准确，因为这儿是“部分”的意思。我们知道，在python中slice表示取list，tuple的一部分。比如可以将list当做一个循环队列，arr[1:9:-1]是取arr 下标2-9的部分，而且是倒序。
而tensorflow中的slice同样是从一个张量中取其中一块。
其中begin[i]的值是第i维度的起始index，size[i]的值是从begin[i]取多少位。如果size[i]=-1则该维度全都保留
size[i] = input.dim_size(i) - begin[i]
>>>t =
tf.constant([[[1, 1, 1], [2, 2, 2]],
[[3, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]])
>>>tf.slice(t, [1, 0, 0], [2, 1, 3])
[[[3, 3, 3]],
[[5, 5, 5]]]从第零维度的第2位开始取2个(也就是3x3x:张量的右下方2x2x:矩阵)一维的第1位开始取1个（2x2矩阵进一步限制为只能取2x1x:），第三维从0取到3，所以最终部分如上代码。
tf.tile(A, repeats)
将数组/张量沿着repeats所代表的轴复制对应的次数。比如
>>>a = np.array([0, 1, 2])
>>>np.tile(a, 2)#沿着第1维度复制2次
array([0, 1, 2, 0, 1, 2])
>>>np.tile(a, (2, 2))#沿着第1，2维度复制2次
array([[0, 1, 2, 0, 1, 2],[0, 1, 2, 0, 1, 2]])
>>> np.tile(a, (2, 1, 2))
array([[[0, 1, 2, 0, 1, 2]],
[[0, 1, 2, 0, 1, 2]]])tf.concat(A, axis)
沿着axis将列表A中的张量串接起来。
t1 = [[1, 2, 3], [4, 5, 6]]
t2 = [[7, 8, 9], [10, 11, 12]]
tf.concat(0, [t1, t2]) == > [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]
#如果是两个一维的张量，
#1.则需要用expand_dims来扩充维度
t1=tf.constant([1,2,3])
t2=tf.constant([4,5,6])
#concated = tf.concat(1, [t1,t2])这样会报错
t1=tf.expand_dims(tf.constant([1,2,3]),1)
t2=tf.expand_dims(tf.constant([4,5,6]),1)
concated = tf.concat(1, [t1,t2])#这样就是正确的
#2.或者tf.stack
Stacks a list of rank-R tensors into one rank-(R+1) tensor
# 'x' is [1, 4]
# 'y' is [2, 5]
# 'z' is [3, 6]
stack([x, y, z], axis=1) => [[1, 2, 3], [4, 5, 6]]tf.reduce_*系列
该系列是tensorflow的加(*sum)乘(*prod)，以及求最大值：*max
平均值：*mean
理解这些函数有理可寻。
它们都是既可以沿着某一维度做以上乘等操作用，也可以对所有元素都进行以上操作。
近乎相同的参数：(input_tensor, axis=None,
keep_dims=False,
name=None
reduction_indices=None
)
keep_dims为True时,结果保留成一个1x1的向量，为False时，否则就成为Vector或Scalar.
每次运算，input_tensor中与axis对应的轴减1.也就是如果axis是一个list的话，它对应的轴都会消失。
tf.squeeze(input, axis=None)
squeeze的意思是紧握（squeeze his hand），压榨(squeeze the orange)。在这里表示将所有维度中size为1的维度全部去除，也就是降下无用的维度。比如一个tensor A的shape是1,3,1,2，那么tf.squeeze(A)后A的大小为3,2。如果不希望所有维度中size为1的被消除，则可以用axis指定。