TensorFlow中利用tf.newaxis扩展矩阵维度的技巧

TensorFlow扩展维度的新方法

在TensorFlow框架中，扩展张量维度通常采用tf.expand_dims()函数。然而，近期发现一种更为简便的方法，即直接利用数据访问操作符[]结合特定参数即可实现维度的扩展。

该方法的用法十分直观：只需在希望增加维度的位置加入tf.newaxis参数即可。

foo = tf.constant([[1,2,3], [4,5,6], [7,8,9]])
print(foo[tf.newaxis, :, :].eval()) # => [[[1,2,3], [4,5,6], [7,8,9]]]
print(foo[:, tf.newaxis, :].eval()) # => [[[1,2,3]], [[4,5,6]], [[7,8,9]]]
print(foo[:, :, tf.newaxis].eval()) # => [[[1],[2],[3]], [[4],[5],[6]],[[7],[8],[9]]]

相关参考文档如下：

https://tensorflow.google.cn/api_docs/python/tf/Tensor?hl=en#__getitem__

expand_dims与squeeze函数详解

补充知识：tensorflow 利用expand_dims和squeeze扩展和压缩tensor维度

在进行文本挖掘任务时，经常需要对张量进行维度扩展或压缩。例如，完成文本的embedding操作后，若需执行卷积操作，必须将形状为[batch_size, embedding_dims]的向量扩展为[batch_size, embedding_dims, 1]。此时，使用tf.expand_dims(input, -1)即可完成扩展；反之，利用squeeze(input, -1)或tf.squeeze（input）则可移除第三维。

tf.expand_dims() tf.squeeze()

tf.expand_dims()

tf.expand_dims(input, axis=None, name=None, dim=None)

该函数用于在指定的axis位置增加一个维度。

给定输入的张量，此操作会在输入形状对应维度的索引轴处插入尺寸为1的新维度。维度索引从0开始计数；若指定负数作为轴参数，则从末尾向前计数。

此操作在将批量维度添加到单个元素时尤为有用。例如，若有一个形状为[height，width，channels]的单一图像，使用expand_dims（image，0）可将其转换为包含1个图像的批次，从而使形状变为[1，高度，宽度，通道]。

具体示例如下：

# 't' is a tensor of shape [2]
shape(expand_dims(t, 0)) ==> [1, 2]
shape(expand_dims(t, 1)) ==> [2, 1]
shape(expand_dims(t, -1)) ==> [2, 1]
# 't2' is a tensor of shape [2, 3, 5]
shape(expand_dims(t2, 0)) ==> [1, 2, 3, 5]
shape(expand_dims(t2, 2)) ==> [2, 3, 1, 5]
shape(expand_dims(t2, 3)) ==> [2, 3, 5, 1]

tf.squeeze()

tf.squeeze(input, axis=None, name=None, squeeze_dims=None)

直接通过以下示例说明：

# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
 shape(squeeze(t)) ==> [2, 3]
# 't' is a tensor of shape [1, 2, 1, 3, 1, 1]
 shape(squeeze(t, [2, 4])) ==> [1, 2, 3, 1]

以上关于在TensorFlow中实现矩阵维度扩展的内容即为全部分享，希望能对读者有所帮助，也欢迎大家继续支持本站。