1.定义各种数组
a = np.array([[1,2,3],[4,5,6]])
# 数组转tensor:数组a, tensor_a=tf.convert_to_tensor(a)
# tensor转数组：tensor b, array_b=b.eval()
b = tf.convert_to_tensor(a) # 将np定义数组转化为tensor
c = tf.constant([[1,2,3],[4,5,6]])
d_list = [[1,2,3],[4,5,6]]
2.tf.shape(tensor) tensor.tf.get_shape()
# tf.shape()很显然这个是获取张量的大小的, tf.shape()返回的是一个tensor,要想知道是多少,必须通过sess.run()
# x.get_shape(),只有tensor才可以使用这种方法,返回的是一个元组,不能放到sess.run()里面,这个里面只能放operation和tensor # c.get_shape().as_list()返回一个list
import tensorflow as tf
import numpy as np
a = np.array([[1,2,3],[4,5,6]])
b = tf.convert_to_tensor(a) # 将np定义数组转化为tensor
c = tf.constant([[1,2,3],[4,5,6]])
d_list = [[1,2,3],[4,5,6]]
# x.get_shape(),只有tensor才可以使用这种方法,返回的是一个元组,不能放到sess.run()里面,这个里面只能放operation和tensor
# c.get_shape().as_list()返回一个list
print(c.get_shape())
print(c.get_shape().as_list())
with tf.Session() as sess:
print(sess.run(tf.shape(a))) # tf.shape()很显然这个是获取张量的大小的
print(sess.run(tf.shape(c))) # tf.shape()返回的是一个tensor,要想知道是多少,必须通过sess.run()
print(sess.run(tf.shape(d_list)))
3.tf.transpose() tf.reshape()
x = tf.transpose(x, [0, 3, 1, 2])#交换维度(b,2c,h,w)
x = tf.reshape(x, (-1, int(x_shape[1]), int(x_shape[2]), 2))#(bc,h,w,2)
4.tf.expand_dims(input, dim, name=None)
将tensor增加维度，例如(对图像维度降到二维做特定操作后，要还原成四维[batch, height, width, channels]，前后各增加一维)
# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]
# 't2' is a tensor of shape [2, 3, 5]
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]
one_img = tf.expand_dims(one_img, 0)
one_img = tf.expand_dims(one_img, -1) #-1表示最后一维
5. tf.tile()函数
tensorflow中的tile()函数是用来对张量(Tensor)进行扩展的，其特点是对当前张量内的数据进行一定规则的复制。最终的输出张量维度不变
tf.tile(
input,
multiples,
name=None
)
with tf.Graph().as_default():
a = tf.constant([1,2],name='a')
b = tf.tile(a,[3])
sess = tf.Session()
print(sess.run(b))
# 对[1,2]的同一维度上复制3次，multiples参数维度与input维度应一致，结果如下：
# [1 2 1 2 1 2]
with tf.Graph().as_default():
a = tf.constant([[1,2],[3,4]],name='a')
b = tf.tile(a,[2,3])
sess = tf.Session()
print(sess.run(b))
# 输出：
[[1 2 1 2 1 2]
[3 4 3 4 3 4]
[1 2 1 2 1 2]
[3 4 3 4 3 4]]
6. tf.cast()
"""tf.cast()函数的作用是执行 tensorflow 中张量数据类型转换，比如读入的图片如果是int8类型的，一般在要在训练前把图像的数据格式转换为float32。
cast定义：
cast(x, dtype, name=None)
第一个参数 x: 待转换的数据（张量）
第二个参数 dtype： 目标数据类型
第三个参数 name： 可选参数，定义操作的名称
int32转换为float32：
"""
import tensorflow as tf
t1 = tf.Variable([1,2,3,4,5])
t2 = tf.cast(t1,dtype=tf.float32)
print 't1: {}'.format(t1)
print 't2: {}'.format(t2)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
sess.run(t2)
print t2.eval()
# print(sess.run(t2))
输出：
t1: <tf.Variable 'Variable:0' shape=(5,) dtype=int32_ref>
t2: Tensor("Cast:0", shape=(5,), dtype=float32)
[ 1. 2. 3. 4. 5.]
7. tf.concat与tf.stack
tf.concat是沿某一维度拼接shape相同的张量，拼接生成的新张量维度不会增加。而tf.stack是在新的维度上拼接，拼接后维度加1
import tensorflow as tf
a = tf.constant([[1,2,3],[4,5,6]])
b = tf.constant([[7,8,9],[10,11,12]])
ab1 = tf.concat([a,b],axis=0)
ab2 = tf.stack([a,b], axis=0)
sess = tf.Session()
print(sess.run(ab1))
print(sess.run(ab2))
print ab1
print ab2
"""
结果：
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]#ab1的值
[[[ 1 2 3]
[ 4 5 6]]
[[ 7 8 9]
[10 11 12]]]#ab2的值
Tensor(“concat:0”, shape=(4, 3), dtype=int32)#ab1的属性
Tensor(“stack:0”, shape=(2, 2, 3), dtype=int32)#ab2的属性
由上可知：由于axis=0，表示在第一维连接。对tf.concat来说连接后张量的第一维是在外层中括号内，将两个张量原来所有第一维内的元素（如[1 2 3]，[7 8 9 ]等）连接。而tf.stack需要先将原二维张量扩展成三维张量，在扩展后张量的第一维上将原两个二维张量连接。
若axis=1，结果为：
[[ 1 2 3 7 8 9]
[ 4 5 6 10 11 12]]
[[[ 1 2 3]
[ 7 8 9]]
[[ 4 5 6]
[10 11 12]]]
Tensor(“concat:0”, shape=(2, 6), dtype=int32)
Tensor(“stack:0”, shape=(2, 2, 3), dtype=int32)
同上：axis=1，表示在第二维连接。对tf.concat来说连接后张量的第二维是在内层中括号内，将两个张量原来所有第二维内的元素（如1 ，2， 3，7，8，9等）连接。tf.stack先将原二维张量扩展成三维张量，在扩展后张量的第二维上将两个原张量的相对应的元素（如[1 2 3]和[ 7 8 9]）连接。
若axis=2，tf.concat会报错（因为tf.concat不增加维数）。tf.stack结果如下：
[[[ 1 7]
[ 2 8]
[ 3 9]]
[[ 4 10]
[ 5 11]
[ 6 12]]]
Tensor(“stack:0”, shape=(2, 3, 2), dtype=int32)
同上：axis=2，表示在第三维连接。tf.stack先将原二维张量扩展成三维张量，在扩展后张量的第三维上将两个原张量的相对应的元素（如1和7，2和8,3和9等 ）连接。
"""
8.tf.gather_nd()
tf.gather_nd(
params,
indices,
name=None
)
按照indices的格式从params中抽取切片（合并为一个Tensor）indices是一个K维整数Tensor
import tensorflow as tf
a = tf.Variable([[1, 2, 3, 4, 5],
[6, 7, 8, 9, 10],
[11, 12, 13, 14, 15]])
index_a1 = tf.Variable([[0, 2], [0, 4], [2, 2]]) # 随便选几个
index_a2 = tf.Variable([0, 1]) # 0行1列的元素——2
index_a3 = tf.Variable([[0], [1]]) # [第0行,第1行]
index_a4 = tf.Variable([0]) # 第0行
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(tf.gather_nd(a, index_a1)))
print(sess.run(tf.gather_nd(a, index_a2)))
print(sess.run(tf.gather_nd(a, index_a3)))
print(sess.run(tf.gather_nd(a, index_a4)))
"""
输出：
[ 3 5 13]
2
[[ 1 2 3 4 5]
[ 6 7 8 9 10]]
[1 2 3 4 5]
"""
9.tf.argmax()
tf.argmax(input,axis)根据axis取值的不同返回每行或者每列最大值的索引
- axis = 0:
axis=0时比较每一列的元素，将每一列最大元素所在的索引记录下来，最后输出每一列最大元素所在的索引数组。
axis = 1:
axis=1的时候，将每一行最大元素所在的索引记录下来，最后返回每一行最大元素所在的索引数组
test = np.array([[1, 2, 3], [2, 3, 4], [5, 4, 3], [8, 7, 2]])
np.argmax(test, 0) ＃输出：array([3, 3, 1]
np.argmax(test, 1) ＃输出：array([2, 2, 0, 0]123
test[0] = array([1, 2, 3])
test[1] = array([2, 3, 4])
test[2] = array([5, 4, 3])
test[3] = array([8, 7, 2])
# output : [3, 3, 1]
test[0] = array([1, 2, 3]) #2
test[1] = array([2, 3, 4]) #2
test[2] = array([5, 4, 3]) #0
test[3] = array([8, 7, 2]) #0
这是里面都是数组长度一致的情况，如果不一致，axis最大值为最小的数组长度-1，超过则报错。
当不一致的时候，axis=0的比较也就变成了每个数组的和的比较。
10. tf.clip_by_value(V, min, max)
tf.clip_by_value(V, min, max), 截取V使之在min和max之间
import tensorflow as tf
import numpy as np
v = tf.constant([[1.0, 2.0, 4.0],[4.0, 5.0, 6.0]])
result = tf.clip_by_value(v, 2.5, 4.5)
with tf.Session() as sess:
print(sess.run(result))
'''
输出
[[ 2.5 2.5 4. ]
[ 4. 4.5 4.5]]
'''
来源：CSDN
作者：Leo_whj
链接：https://blog.csdn.net/Leo_whj/article/details/104732991