tf2杂记

• tf.shape()
• tf.split()
• ZeroPadding2D
• SAME与VALID区别
• 卷积后大小计算

tf.shape()

关于python函数中shape的解释：
shape包含在numpy库，是矩阵（ndarray）的属性，可以获取矩阵的形状（例如二维数组的行列），获取的结果是一个元组，因此相关代码如下：
import numpy as np
x = np.array([[1,2，3,4，5],[6,7，8,9，10],[10,9，8,7，6],[5,4，3]])
#输出数组的行和列数
print x.shape #结果： (4, 5)
#只输出行数
print x.shape[0] #结果： 4
#只输出列数
print x.shape[1] #结果： 5
————————————————
原文链接：https://blog.csdn.net/weixin_44804700/article/details/98874358

tf.split()

返回值是一个列表

tf.split(
    value,
    num_or_size_splits,
    axis=0,
    num=None,
    name='split'
)

这个函数是用来切割张量的。输入切割的张量和参数，返回切割的结果。
value传入的就是需要切割的张量。
这个函数有两种切割的方式：

以三个维度的张量为例，比如说一个20 * 30 * 40的张量my_tensor，就如同一个长20厘米宽30厘米高40厘米的蛋糕，每立方厘米都是一个分量。

有两种切割方式：

1. 如果num_or_size_splits传入的是一个整数，这个整数代表这个张量最后会被切成几个小张量。此时，传入axis的数值就代表切割哪个维度（从0开始计数）。调用tf.split(my_tensor, 2，0)返回两个10 * 30 * 40的小张量。
2. 如果num_or_size_splits传入的是一个向量，那么向量有几个分量就分成几份，切割的维度还是由axis决定。比如调用tf.split(my_tensor, [10, 5, 25], 2)，则返回三个张量分别大小为 20 * 30 * 10、20 * 30 * 5、20 * 30 * 25。很显然，传入的这个向量各个分量加和必须等于axis所指示原张量维度的大小 (10 + 5 + 25 = 40)。
   ————————————————
   原文链接：https://blog.csdn.net/wangxuecheng666/article/details/112118065

ZeroPadding2D

参考连接：https://www.cnblogs.com/LGJC1314/p/13403811.html

init(
padding=(1, 1),
data_format=None,
**kwargs
)

inp = np.random.randint(1,9,(2,2))
print(inp)

padding 为一个整数n 上下左右各补n个0

x = ZeroPadding2D(1)(input)
out = tf.keras.models.Model(input, x)(inp)
tf.print(tf.squeeze(out))

padding 为一维元祖(n, m)上下补n个0 左右补m个

x = ZeroPadding2D((1,0))(input)
out = tf.keras.models.Model(input, x)(inp)
tf.print(tf.squeeze(out))

padding 为二维元祖((n, m), (x, y))上补n个0 下补m个 左补x个0 右补y个0

x = ZeroPadding2D(((1,0), (1, 0)))(input)
out = tf.keras.models.Model(input, x)(inp)
tf.print(tf.squeeze(out))

SAME与VALID区别

TensorFlow学习－－SAME与VALID区别

卷积后大小计算

超详细的卷积后大小的计算公式

标签：张量,笔记,print,shape,杂记,split,tf,input,tf2
来源： https://blog.csdn.net/qq_45723275/article/details/122874308