tf.concat中axis的含義與使用詳解

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

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

接下來處理三個(gè)維度的數(shù)據(jù)，這也是我們?cè)谏窠?jīng)網(wǎng)絡(luò)數(shù)據(jù)中經(jīng)常要用到的，增加的一個(gè)維度通常代表了batch_size. 如下面的m5, batch_size=5, 可以理解為每個(gè)樣本是個(gè)2*3的矩陣，一次將5個(gè)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(gè)維度的含義就不再是之前認(rèn)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(shè)置axis=0, axis=0就是將第一維度進(jìn)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(jìn)行axis=1, axis=2的concat操作。

此外，axis的值也可以設(shè)置為負(fù)數(shù)，如axis=-1實(shí)際上就是指倒數(shù)第一個(gè)維度，如m5的倒數(shù)第一個(gè)維度的值就是‘3'。因此，axis=2的操作和axis=-1的操作是等價(jià)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(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: