张量合并

1.拼接

1593648328315

2.堆叠

1593648663849

无论哪种方式，相应维度必须一致

分割

合并的逆过程

将1个张量拆成多个张量

1. split

等份分割

1593649025149

不等份分割

传入列表，表示分割后每一部分的长度

1593649179737

2. unstack

1593649395914

可以看出，stack是在合并张量时增加了维度，而unstack是在分割张量时减少了维度

【注意】unstack一定会将原张量按照axis指定的维度方向分割成全部的部分的长度都是1的张量，因为只有这样才能将shape中为1的维度方向去掉

范数

主要使用L1范数、L2范数和无穷范数

1593858867385

常用统计量

最值：tf.reduce_max、tf.reduce_min

均值：tf.reduce_mean

和：tf.reduce_sum

1593859254276

指定axis

1593859373398

不指定axis

此时会对全局求解：

1593859467249

应用场景

求解所有样本的平均误差：

1593859820934

在分类问题中，求解概率最大值所在下标，即label

假设有两个样本，做10分类问题

1593860280444

使用tf.reduce_max只能求解最大值，而使用tf.argmax可以求解最大值所在索引号（下标）

1593860451799

所以，这两个样本所属类别分别为8和9

张量比较

还是拿10分类的栗子，假设有100个样本

1593922050750

开始比较

1593922608829

计算准确率

1593922648035

对了10个，因此准确率为10%

除了比较相等的 tf.equal(a, b)，还有其它的比较函数，如下

1594366390032

填充（Padding）

使用tf.pad(x,paddings)

1594366901704

之后两者维度一致了，可以做Satck

1594366972664

常用于自然语言处理

在处理图像时，需要在多个维度进行填充，就像这样

1594367245881

上面的图中，对width和height进行了填充，代码如下

1594367422415

这里对width和height的开头和结尾都填充了两个0

图像由28*28变成了32*32

复制

仍旧用tf.tile()函数

1594367770257

[2,3,3,1]的4个元素分别代表了4个维度要复制多少份：

1代表不复制，2代表复制1份，3代表复制2份，以此类推

数据限幅

下限幅： tf.maximum(x, a)

上限幅：tf.minimum(x, a)

1594368324228

应用

实现ReLU函数

实现上下限幅

1594368828444

另外，也可以直接使用tf.clip_by_value实现上下限幅

1594368877833