欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

tf.concat中axis的含義與使用詳解

 更新時間:2020年02月07日 15:41:23   作者:韋人人韋  
今天小編就為大家分享一篇tf.concat中axis的含義與使用詳解,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧

tensorflow中tf.concat的axis的使用我一直理解的比較模糊,這次做個筆記理下自己的思路。

import tensorflow as tf
tf.enable_eager_execution()
import numpy as np

先生成兩個矩陣m1, 和m2, 大小為兩行三列

m1 = np.random.rand(2,3) # m1.shape (2,3)
m1
>>array([[0.44529968, 0.42451167, 0.07463199],
    [0.35787143, 0.22926186, 0.34583839]])
m2 = np.random.rand(2,3) # m2.shape (2,3)
m2
>>array([[0.92811531, 0.6180391 , 0.71969461],
    [0.00564108, 0.55381637, 0.17155987]])

接下來采用tf.concat進行連接,簡單來說,axis=0實際就是按行拼接,axis=1就是按列拼接

# axis = 0
m3 = tf.concat([m1,m2],axis=0)
m3
>> array([[0.44529968, 0.42451167, 0.07463199],
    [0.35787143, 0.22926186, 0.34583839],
    [0.92811531, 0.6180391 , 0.71969461],
    [0.00564108, 0.55381637, 0.17155987]])
m3.shape
>> (4,3)

# axis = 1
m4 = tf.concat([m1,m2],axis=1)
m4
>>array([[0.44529968, 0.42451167, 0.07463199, 0.92811531, 0.6180391 ,
    0.71969461],
    [0.35787143, 0.22926186, 0.34583839, 0.00564108, 0.55381637,
    0.17155987]])
m4.shape
>>(2,6)

但這實際上這只有在我們的輸入是二維矩陣時才可以這樣理解。axis的實際含義是根據(jù)axis指定的維度進行連接,如矩陣m1的維度為(2,3), 那么axis=0就代表了第一個維度‘2',因此,將m1和m2按照第一個維度進行連接,得到的新的矩陣就是將第一維度進行相加,其余維度不變,即維度變成了(4,3).

同理,axis=1時就是將矩陣的第二維度進行合并,其余維度不變,即維度變成了(2,6)。

接下來處理三個維度的數(shù)據(jù),這也是我們在神經(jīng)網(wǎng)絡數(shù)據(jù)中經(jīng)常要用到的,增加的一個維度通常代表了batch_size. 如下面的m5, batch_size=5, 可以理解為每個樣本是個2*3的矩陣,一次將5個樣本放在一起。

m5 = np.random.rand(5,2,3)
m6 = np.random.rand(5,2,3)
m5
>>array([[[0.04347217, 0.03368232, 0.36017024],
    [0.74223151, 0.06609717, 0.38155531]],

    [[0.50602728, 0.355745 , 0.93379797],
    [0.97572621, 0.53745311, 0.66461841]],

    [[0.92832972, 0.02441683, 0.48436203],
    [0.69651043, 0.24194495, 0.64623769]],

    [[0.66667596, 0.60053027, 0.2970753 ],
    [0.13281764, 0.29326326, 0.32393028]],

    [[0.40892782, 0.48516547, 0.02298178],
    [0.51239083, 0.40151008, 0.29913204]]])
m6
>>array([[[0.58001909, 0.56925704, 0.09798246],
    [0.20841893, 0.62683633, 0.17923217]],

    [[0.91216164, 0.0200782 , 0.3986682 ],
    [0.86687006, 0.83730576, 0.48443545]],

    [[0.65641654, 0.59786311, 0.2055584 ],
    [0.65391822, 0.74093133, 0.02416627]],

    [[0.80778861, 0.22644312, 0.91610686],
    [0.0789411 , 0.86955002, 0.41437046]],

    [[0.97821668, 0.97118328, 0.97714882],
    [0.21543173, 0.06964724, 0.35360077]]])

在這種情況下,axis=0代表的第一個維度的含義就不再是之前認為的行的概念了,現(xiàn)在m5的第一維度的值是5,代表的是batch_size。仍然按照之前的理解,如果設置axis=0, axis=0就是將第一維度進行相加,其余維度不變,因此我們可以得到新的維度為(10,2,3)。

m7 = tf.concat([m5, m6],axis=0)
m7
>> array([[[0.04347217, 0.03368232, 0.36017024],
    [0.74223151, 0.06609717, 0.38155531]],

    [[0.50602728, 0.355745 , 0.93379797],
    [0.97572621, 0.53745311, 0.66461841]],

    [[0.92832972, 0.02441683, 0.48436203],
    [0.69651043, 0.24194495, 0.64623769]],

    [[0.66667596, 0.60053027, 0.2970753 ],
    [0.13281764, 0.29326326, 0.32393028]],

    [[0.40892782, 0.48516547, 0.02298178],
    [0.51239083, 0.40151008, 0.29913204]],

    [[0.58001909, 0.56925704, 0.09798246],
    [0.20841893, 0.62683633, 0.17923217]],

    [[0.91216164, 0.0200782 , 0.3986682 ],
    [0.86687006, 0.83730576, 0.48443545]],

    [[0.65641654, 0.59786311, 0.2055584 ],
    [0.65391822, 0.74093133, 0.02416627]],

    [[0.80778861, 0.22644312, 0.91610686],
    [0.0789411 , 0.86955002, 0.41437046]],

    [[0.97821668, 0.97118328, 0.97714882],
    [0.21543173, 0.06964724, 0.35360077]]])
m7.shape
>>(10,2,3)

同理,也可以進行axis=1, axis=2的concat操作。

此外,axis的值也可以設置為負數(shù),如axis=-1實際上就是指倒數(shù)第一個維度,如m5的倒數(shù)第一個維度的值就是‘3'。因此,axis=2的操作和axis=-1的操作是等價的。

以上這篇tf.concat中axis的含義與使用詳解就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支持腳本之家。

相關文章

最新評論