張量排序

tf.sort

tf.sort函數(shù)可以幫我們對張量進行排序.

格式:

tf.sort(
    values, axis=-1, direction='ASCENDING', name=None
)

參數(shù):

• values: 要進行排序的張量
• axis: 操作維度
• direction: 正序或者倒序
• name: 數(shù)據(jù)名稱

例子:

# 創(chuàng)建張量0~9, 并打亂順序
a = tf.random.shuffle(tf.range(10))
print(a)

# 從小到大
b = tf.sort(a)  # direction="ASCENDING"
print(b)

# 從大到小
c = tf.sort(a, direction="DESCENDING")
print(c)

輸出結(jié)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返回張量的索引排序, 沿給的軸排序.

格式:

tf.argsort(
    values, axis=-1, direction='ASCENDING', stable=False, name=None
)

參數(shù):

• 要進行排序的張量
• axis: 操作維度
• direction: 正序或者倒序
• stable: 如果為 True, 則原始張量中的相等元素將不會按返回的順序重新排序
• name: 數(shù)據(jù)名稱

例子:

# 創(chuàng)建張量0~9, 并打亂順序
a = tf.random.shuffle(tf.range(10))
print(a)

# 從小到大
b = tf.argsort (a)
print(b)

# 從大到小
c = tf.argsort (a, direction="DESCENDING")
print(c)

輸出結(jié)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可以幫助我們查找最后一個維度的 k 個最大條目的值和索引.

格式:

tf.math.top_k(
    input, k=1, sorted=True, name=None
)

參數(shù):

• input: 傳入張量
• k=1: 前 k 位
• sorted: 是否排序
• name: 數(shù)據(jù)名稱

例子:

# 創(chuàng)建張量0~9, 并打亂順序, 形狀為 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)

輸出結(jié)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]])>)

填充與復(fù)制

tf.pad

tf.pad可以幫我們對一個 tensor 四周進行填充.

格式:

tf.pad(
    tensor, paddings, mode='CONSTANT', constant_values=0, name=None
)

參數(shù):

• tensor: 傳入的張量
• paddings: 要擴展的維度
• mode: 模式, 默認(rèn)為 “CONSTANT”
• constant_value: 在 “CONSTANT” 模式下, 要使用的標(biāo)量填充值 (必須與張量類型相同)
• name: 數(shù)據(jù)名稱

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)

輸出結(jié)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可以幫助我們實現(xiàn) tensor 的復(fù)制.

格式:

tf.tile(
    input, multiples, name=None
)

參數(shù):

• input: 傳入的張量
• multiples: 復(fù)制的次數(shù)
• name: 數(shù)據(jù)名稱

例子:

# tile
a = tf.reshape(tf.range(9), [3, 3])
print(a)

b = tf.tile(a, [2, 2])
print(b)

輸出結(jié)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)

查找與替換

tf.where (第一種)

返回元素為 True 的位置.

格式:

tf.where(
    condition, name=None
)

參數(shù):

• condition: 判斷條件
• name: 數(shù)據(jù)名稱

例子:

# 第一種用法(單參數(shù))
mask = tf.constant([[True, True, True], [False, True, True], [True, False, False]])
print(mask)

indices = tf.where(mask)
print(indices)

輸出結(jié)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 (第二種)

類似三元運算符的用法.

格式:

tf.where(
    condition, x=None, y=None, name=None
)

參數(shù):

• condition: 判斷條件
• x: 如果條件為 True 賦值
• y: 如果條件為 False 賦值
• name: 數(shù)據(jù)名稱

例子:

# 第二種用法(三個參數(shù))
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)

輸出結(jié)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

使用索引更新張量.

格式:

tf.scatter_nd(
    indices, updates, shape, name=None
)

參數(shù):

• indices: 索引
• updates: 更新的值
• shape: 形狀
• name: 數(shù)據(jù)名稱

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)

輸出結(jié)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)

到此這篇關(guān)于TensorFlow2基本操作之 張量排序 填充與復(fù)制 查找與替換的文章就介紹到這了,更多相關(guān)TensorFlow2基本操作內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！