1. tf.split(3, group, input) # 拆分函数
3 表示的是在第三个维度上， group表示拆分的次数， input 表示输入的值
import tensorflow as tf
import numpy as np x = [[1, 2], [3, 4]]
Y = tf.split(axis=1, num_or_size_splits=2, value=x) sess = tf.Session()
for y in Y:
print(sess.run(y))
2. tf.concat(3, input) # 串接函数
3 表示的是在第三个维度上， input表示的是输入，输入一般都是列表
import tensorflow as tf x = [[1, 2], [3, 4]]
y = tf.concat(x, axis=0) sess = tf.Session()
print(sess.run(y))
3. tf.squeeze(input, squeeze_dims=[1, 2]) # 表示的是去除列数为1的维度， squeeze_dim 指定维度
import tensorflow as tf
import numpy as np x = [[1, 2]]
print(np.array(x).shape)
y = tf.squeeze(x, axis=[0]) sess = tf.Session() print(sess.run(y))
4. tf.less_equal(a, b) a 可以是一个列表， b表示需要比较的数，如果比b大返回false，否者返回True
import tensorflow as tf
import numpy as np raw_gt = [1, 2, 3, 4] y = tf.where(tf.less_equal(raw_gt, 2)) sess = tf.Session() print(sess.run(y))
5.tf.where(input) # 返回是真的序号，通过tf.where找出小于等于2的数的序号
import tensorflow as tf
import numpy as np raw_gt = [1, 2, 3, 4] y = tf.where(tf.less_equal(raw_gt, 2)) sess = tf.Session()
print(sess.run(y))
6. tf.gather # 根据序列号对数据进行取值,输入的是input， index
import tensorflow as tf
import numpy as np raw_gt = [3, 4, 5, 6] y = tf.gather(raw_gt, [[0], [1]]) sess = tf.Session()
print(sess.run(y))
7. tf.cast(input, tf.float32) # 主要目的是进行数值类型转换
import tensorflow as tf
import numpy as np raw_gt = [3.0, 4.0, 5.0, 6.0] y = tf.cast(raw_gt, tf.int32) sess = tf.Session()
print(sess.run(y))
8. tf.expand_dims(input, axis=1) # 进行矩阵维度的扩增
import tensorflow as tf
import numpy as np raw_gt = [3.0, 4.0, 5.0, 6.0] y = tf.expand_dims(raw_gt, axis=1) sess = tf.Session()
print(sess.run(tf.shape(y)))
9. tf.argmax(input, axis=1) 根据维度找出这个维度下的最大值的序号， axis=0 表示找出每一行中的最大值， axis=1，表示找出每一列的最大值
import tensorflow as tf
import numpy as np raw_gt = [[3.0, 4.0], [5.0, 3]] y = tf.argmax(raw_gt, axis=1) sess = tf.Session()
print(sess.run(y))
1o. tf.reshape(input, shape) # tf.reshape主要用于数据的shape重新组合
import tensorflow as tf
import numpy as np a = [[1, 2], [3, 4]]
y = tf.reshape(a, [-1, 4]) sess = tf.Session()
print(sess.run(y))
11. tf.stack(input， axis) # 进行数据的拼接，为了去除一个维度
import tensorflow as tf
distort_left_right_random = tf.random_uniform([1], 0, 1.0, dtype=tf.float32)[0]
mirror = tf.less(tf.stack([1.0, 0.8, 1.0]), 0.5)
sess = tf.Session()
print(sess.run(mirror))
mirror = tf.boolean_mask([0, 1, 2], mirror) sess = tf.Session()
print(sess.run(mirror))
12.tf.less(a, b) # 如果a小于b返回True
13.tf.boolean_mask # 找出数据中是True的位置
mirror = tf.boolean_mask([0, 1, 2], [True, False, False]) sess = tf.Session()
print(sess.run(mirror))
13 tf.slice # 根据给出的起始位置进行数据的抽取
# tf.slice
# import tensorflow as tf
# import numpy as np
# x=[[1,2,3],[4,5,6]]
# y=np.arange(24).reshape([2,3,4])
# z=tf.constant([[[1,2,3],[4,5,6]], [[7,8,9],[10,11,12]], [[13,14,15],[16,17,18]]])
# sess=tf.Session()
# begin_x=[1,0] #第一个1，决定了从x的第二行[4,5,6]开始，第二个0，决定了从[4,5,6] 中的4开始抽取
# size_x=[1,2] # 第一个1决定了，从第二行以起始位置抽取1行，也就是只抽取[4,5,6] 这一行，在这一行中从4开始抽取2个元素
# out=tf.slice(x,begin_x,size_x)
# print(sess.run(out))
14 .tf.reduce_sum(input) 表示将所有的进行相加
15 .tf.gfile.MakeDirs(train_dir) # 根据train_dir创建文件夹
import tensorflow as tf train_dir = 'make/'
tf.gfile.MakeDirs(train_dir)
16. tf.gfile.IsDirectory(train_dir) # 判断是否是文件夹
if tf.gfile.IsDirectory(train_dir):
print('')
else:
print('')
17.tf.transpose(input, [1, 0]) # 表示将第一维的大小与第二维度进行调换
import tensorflow as tf
import numpy as np x = [[1, 2, 3, 4], [1, 2, 4, 3]]
print(np.shape(x))
sess = tf.Session()
# 进行维度的变化,perm表示将第一二维度转换为第一个维度
print(sess.run(tf.transpose(x, perm=[1, 0])))