concat stack transpose

1、concat

tf.concat相当于numpy中的np.concatenate函数，用于将两个张量在某一个维度(axis)合并起来

a=tf.reshape(np.arange(4),(2,2))
[[0 1]
 [2 3]]
b=tf.reshape(np.arange(4,8),(2,2))
[[4 5]
 [6 7]]
c=tf.concat([a,b],axis=0)
[[0 1]
 [2 3]
 [4 5]
 [6 7]]
d=tf.concat([a,b],axis=1)
[[0 1 4 5]
 [2 3 6 7]]

2、stack

tf.concat拼接的是两个shape完全相同的张量，并且产生的张量的维度不会发生变化，而tf.stack拼接后的张量的维度+1
tf.stack 的axis 值取值范围为 $-[R+1]~(R+1)$

Given a list of length N of tensors of shape (A, B, C);

if axis == 0 then the output tensor will have the shape (N, A, B, C).
if axis == 1 then the output tensor will have the shape (A, N, B, C).
if axis == -1（逆序） then the output tensor will have the shape (A, B, C, N).

一维tensor

  x = tf.constant([1, 4])
  y = tf.constant([2, 5])
  z = tf.constant([3, 6])
  # R=1,axis取值为  0，1  |||  -1，-2 ；axis=1和axis=-1结果相同

  tf.stack([x, y, z])  # [[1, 4], [2, 5], [3, 6]] 
  tf.stack([x, y, z], axis=1)  # [[1, 2, 3], [4, 5, 6]]

二维tensor

a=tf.reshape(np.arange(4),(2,2))
b=tf.reshape(np.arange(4,8),(2,2))
# R=2,axis取值为  0，1，2   |||  -1，-2，-3

#axis默认为0
c=tf.stack([a,b])
[[[0 1]
  [2 3]]

 [[4 5]
  [6 7]]]

# axis=1和axis=-2结果相同
d=tf.stack([a,b],axis=1)
[[[0 1]
  [4 5]]

 [[2 3]
  [6 7]]]

# axis=2和axis=-1结果相同
e=tf.stack([a,b],axis=2)
[[[0 4]
  [1 5]]

 [[2 6]
  [3 7]]]

3、transpose

二维tensor

  x = tf.constant([[1, 2, 3], [4, 5, 6]])
  tf.transpose(x)  # [[1, 4]
                   #  [2, 5]
                   #  [3, 6]]

  # Equivalently，将x的0轴和1轴的数据交换
  tf.transpose(x, [1, 0])  # [[1, 4]
                           #  [2, 5]
                           #  [3, 6]]

三维tensor

 x = tf.constant([[[ 1,  2,  3],
                    [ 4,  5,  6]],
                   [[ 7,  8,  9],
                    [10, 11, 12]]])

# 将x的1轴和2轴交换
tf.transpose(x, [0, 2, 1])  # [[[1,  4],
                            #   [2,  5],
                            #   [3,  6]]，
                            #
                            #  [[7, 10],
                            #   [8, 11],
                            #   [9, 12]]]

详细解释可参考：https://blog.csdn.net/u012762410/article/details/78912667

4、stack和transpose（三维输入）

下面将介绍transpose时的几个常用操作。
我们可以看到transpose高维变换并不直观，而transpose和stack（直观）某些情况下结果一致，从而可以很快得到transpose的结果

x=np.arange(12).reshape((2,2,3))
[[[ 0  1  2]
  [ 3  4  5]]

 [[ 6  7  8]
  [ 9 10 11]]]

#等价
print(np.stack(x,axis=0))
print(np.transpose(x,(0,1,2)))
[[[ 0  1  2]
  [ 3  4  5]]

 [[ 6  7  8]
  [ 9 10 11]]]

#等价 
print(np.stack(x,axis=1))
print(np.transpose(x,(1,0,2)))
[[[ 0  1  2]
  [ 6  7  8]]

 [[ 3  4  5]
  [ 9 10 11]]]

#等价
print(np.stack(x,axis=2))
print(np.transpose(x,(1,2,0)))
[[[ 0  6]
  [ 1  7]
  [ 2  8]]

 [[ 3  9]
  [ 4 10]
  [ 5 11]]]

1、concat

2、stack

3、transpose

4、stack和transpose（三维输入）

猜你喜欢