TensorFlow之tf.concat()详解

tensorflow 中用来拼接张量的函数tf.concat()
或者说tf.concat是连接两个矩阵的操作

语法&＃xff1a;

tf.concat([tensor1, tensor2, tensor3,...], axis)


示例&＃xff1a;

t1 &＃61; [[1, 2, 3], [4, 5, 6]]t2 &＃61; [[7, 8, 9], [10, 11, 12]]tf.concat([t1, t2], 0) # [[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]tf.concat([t1, t2], 1) # [[1, 2, 3, 7, 8, 9], [4, 5, 6, 10, 11, 12]]# tensor t3 with shape [2, 3]# tensor t4 with shape [2, 3]tf.shape(tf.concat([t3, t4], 0)) # [4, 3]tf.shape(tf.concat([t3, t4], 1)) # [2, 6]


这里解释了当axis&＃61;0和axis&＃61;1的情况

怎么理解这个axis呢&＃xff1f;

axis&＃61;0 代表在第0个维度拼接
axis&＃61;1 代表在第1个维度拼接


对于一个二维矩阵&＃xff0c;第0个维度代表最外层方括号所框下的子集&＃xff0c;第1个维度代表内部方括号所框下的子集。
维度越高&＃xff0c;括号越小。

对于这种情况&＃xff0c;我可以再解释清楚一点:
对于[ [ ], [ ]]和[[ ], [ ]]&＃xff0c;低维拼接等于拿掉最外面括号&＃xff0c;高维拼接是拿掉里面的括号(保证其他维度不变)。
注意&＃xff1a;tf.concat()拼接的张量只会改变一个维度&＃xff0c;其他维度是保存不变的
比如两个 shape为[2,3] 的矩阵拼接&＃xff0c;要么通过 axis&＃61;0 变成 [4,3]&＃xff0c;要么通过 axis&＃61;1 变成 [2,6]。
改变的维度索引对应axis的值。

这样就可以理解多维矩阵的拼接了&＃xff0c;可以用axis的设置来从不同维度进行拼接。
对于三维矩阵的拼接&＃xff0c;自然axis取值范围是[0, 1, 2]。

对于axis等于负数的情况&＃xff1a;

负数在数组索引里面表示倒数(countdown)
比如&＃xff0c;对于列表ls &＃61; [1,2,3]而言&＃xff0c;ls[-1] &＃61; 3&＃xff0c;表示读取倒数第一个索引对应值。

axis&＃61;-1表示倒数第一个维度&＃xff0c;对于三维矩阵拼接来说&＃xff0c;axis&＃61;-1等价于axis&＃61;2。
同理&＃xff0c;axis&＃61;-2代表倒数第二个维度&＃xff0c;对于三维矩阵拼接来说&＃xff0c;axis&＃61;-2等价于axis&＃61;1。

一般在维度非常高的情况下&＃xff0c;我们想在最’高’的维度进行拼接&＃xff0c;一般就直接用countdown机制&＃xff0c;直接axis&＃61;-1就搞定了。