Question

假设我有一个带有形状[20，]的Tensorflow张量l，这些是10个坐标打包为[x1,y1,x2,y2,...]。我需要访问[x1,x2,...]和[y1,y2,...]来修改其值（例如，旋转，缩放，移位），然后重新打包为[x1',y1',x1',y2',...]。

我可以reshape，tf.reshape(l, (10, 2))，但后来我不确定是使用split还是unstack以及参数应该是什么。什么时候应该使用split而不是unstack？那么如何重新打包修改后的值，使它们采用原始格式？

Answer 1

这是一种可以通过tensorflow急切的执行模式轻松验证的东西：

import numpy as np
import tensorflow as tf

tf.enable_eager_execution()

l = np.arange(20)
y = tf.reshape(l, [10, 2])
a = tf.split(y, num_or_size_splits=2, axis=1)
b = tf.unstack(y, axis=1)

print('reshaped:', y, sep='\n', end='\n\n')

for operation, c in zip(('split', 'unstack'), (a, b)):
    print('%s:' % operation, c, sep='\n', end='\n\n')

reshaped:
tf.Tensor(
[[ 0  1]
 [ 2  3]
 ...
 [16 17]
 [18 19]], shape=(10, 2), dtype=int64)

split:
[<tf.Tensor: id=5, shape=(10, 1), dtype=int64, numpy=
array([[ 0],
       [ 2],
       ...
       [16],
       [18]])>,
 <tf.Tensor: id=6, shape=(10, 1), dtype=int64, numpy=
array([[ 1],
       [ 3],
       ...
       [17],
       [19]])>]

unstack:
[<tf.Tensor: id=7, shape=(10,), dtype=int64, numpy=array([ 0,  2, ... 16, 18])>,
 <tf.Tensor: id=8, shape=(10,), dtype=int64, numpy=array([ 1,  3, ... 17, 19])>]

所以使用这些参数几乎相同;除了：

tf.split将始终将张量沿axis拆分为num_or_size_splits拆分，这可能与维度shape[axis]的数量不同，因此需要保留原始等级，输出形状[10, n / num_or_size_splits] = [10, 2 / 2] = [10, 1]的张量。

可以通过连接a：
中的所有拆分部分来执行重新打包
```
c=tf.concat(a, axis=1)
print(c)
array([[ 0,  1],
       [ 2,  3],
       ...
       [16, 17],
       [18, 19]])>
```
tf.unstack会将axis上的张量分割为确切的维度shape[axis]，因此可以明确地将排名降低1，从而导致形状[10]的张量。

可以通过在b：
中堆叠所有拆分部分来执行重新打包
```
c=tf.stack(b, axis=1)
print(c)
array([[ 0,  1],
       [ 2,  3],
       ...
       [16, 17],
       [18, 19]])>
```

Tensorflow拆分或取消堆栈以使用交错值

1 个答案: