Tensorflow进行多维矩阵的拆分与拼接实例

(编辑:jimmy 日期: 2024/9/24 浏览:2)

最近在使用tensorflow进行网络训练的时候,需要提取出别人训练好的卷积核的部分层的数据。由于tensorflow中的tensor和python中的list不同,无法直接使用加法进行拼接,后来发现一个函数可以完成tensor的拼接。

函数形式如下:

tf.concat(concat_dim,values,name='concat')

其中,第一个参数表示需要拼接的多维tensor,并且可以将多个tensor同事拼接,第二个表示按照哪一个维度拼接(从数字0开始)。

例子:创建一个三维的tensor,然后分别取出最后一个维度(注意:tensor支持与python中list相似的切片操作,可以使用这种方式进行拆分),然后在拼接在一起。

import tensorflow as tf

weights=tf.Variable(tf.truncated_normal([2,3,4],dtype=tf.float32,stddev=1e-1),name='weights')

weight1=weights[0:2,0:3,1:2]
weight2=weights[0:2,0:3,2:3]
weight3=weights[0:2,0:3,1:2]
weight4=tf.concat([weight1,weight2,weight3],2) #2表示最后一个维度

with tf.Session() as sess:
 sess.run(tf.global_variables_initializer())
 print(sess.run(weights))
 print("****************")
 print(sess.run(weight4))

Tensorflow进行多维矩阵的拆分与拼接实例

以上这篇Tensorflow进行多维矩阵的拆分与拼接实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。

一句话新闻
一文看懂荣耀MagicBook Pro 16
荣耀猎人回归!七大亮点看懂不只是轻薄本,更是游戏本的MagicBook Pro 16.
人们对于笔记本电脑有一个固有印象:要么轻薄但性能一般,要么性能强劲但笨重臃肿。然而,今年荣耀新推出的MagicBook Pro 16刷新了人们的认知——发布会上,荣耀宣布猎人游戏本正式回归,称其继承了荣耀 HUNTER 基因,并自信地为其打出“轻薄本,更是游戏本”的口号。
众所周知,寻求轻薄本的用户普遍更看重便携性、外观造型、静谧性和打字办公等用机体验,而寻求游戏本的用户则普遍更看重硬件配置、性能释放等硬核指标。把两个看似难以相干的产品融合到一起,我们不禁对它产生了强烈的好奇:作为代表荣耀猎人游戏本的跨界新物种,它究竟做了哪些平衡以兼顾不同人群的各类需求呢?