深度学习-TF函数-layers.concatenate用法 numpy数组维度

小咪咪 2022-12-24 00:56 194阅读 0赞

### 环境： tensorfow 2.\* ###

### def concatenate(inputs, axis=-1, \*\*kwargs): ###

**axis=n**表示从第n个维度进行拼接，对于一个三维矩阵，axis的取值可以为\[-3, -2, -1, 0, 1, 2\]。

维度说明下图，0在深度，1在行，2在列

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70][]

### 代码 ###

import numpy as np
    import tensorflow as tf
    
    t1 = tf.Variable(np.array([[[1, 2], [2, 3]], [[4, 4], [5, 3]]]))
    t2 = tf.Variable(np.array([[[7, 4], [8, 4]], [[2, 10], [15, 11]]]))
    
    d0 = tf.keras.layers.concatenate([t1, t2], axis=0)
    d1 = tf.keras.layers.concatenate([t1, t2], axis=1)
    d2 = tf.keras.layers.concatenate([t1, t2], axis=2)
    d3 = tf.keras.layers.concatenate([t1, t2], axis=-1)
    
    print(d0)
    print(d1)
    print(d2)
    print(d3)

输出

tf.Tensor(
    [[[ 1  2]
      [ 2  3]]
    
     [[ 4  4]
      [ 5  3]]
    
     [[ 7  4]
      [ 8  4]]
    
     [[ 2 10]
      [15 11]]], shape=(4, 2, 2), dtype=int32)   # 4代表深度，类似4页
    tf.Tensor(
    [[[ 1  2]
      [ 2  3]
      [ 7  4]
      [ 8  4]]
    
     [[ 4  4]
      [ 5  3]
      [ 2 10]
      [15 11]]], shape=(2, 4, 2), dtype=int32)
    tf.Tensor(
    [[[ 1  2  7  4]
      [ 2  3  8  4]]
    
     [[ 4  4  2 10]
      [ 5  3 15 11]]], shape=(2, 2, 4), dtype=int32)
    tf.Tensor(
    [[[ 1  2  7  4]
      [ 2  3  8  4]]
    
     [[ 4  4  2 10]
      [ 5  3 15 11]]], shape=(2, 2, 4), dtype=int32)
    
    Process finished with exit code 0

数组维度

数组的常用函数
    print(np.arange(0,7,1,dtype=np.int16)) # 0为起点，间隔为1时可缺省(引起歧义下不可缺省)
    print(np.ones((2,3,4),dtype=np.int16)) # 2页，3行，4列，全1，指定数据类型
    print(np.zeros((2,3,4))) # 2页，3行，4列，全0
    print(np.empty((2,3))) #值取决于内存
    print(np.arange(0,10,2)) # 起点为0，不超过10，步长为2
    print(np.linspace(-1,2,5)) # 起点为-1，终点为2，取5个点
    print(np.random.randint(0,3,(2,3))) # 大于等于0，小于3，2行3列的随机整数

输出

[0 1 2 3 4 5 6]
    [[[1 1 1 1]
      [1 1 1 1]
      [1 1 1 1]]
    
     [[1 1 1 1]
      [1 1 1 1]
      [1 1 1 1]]]
    [[[ 0.  0.  0.  0.]
      [ 0.  0.  0.  0.]
      [ 0.  0.  0.  0.]]
    
     [[ 0.  0.  0.  0.]
      [ 0.  0.  0.  0.]
      [ 0.  0.  0.  0.]]]
    [[  1.39069238e-309   1.39069238e-309   1.39069238e-309]
     [  1.39069238e-309   1.39069238e-309   1.39069238e-309]]
    [0 2 4 6 8]
    [-1.   -0.25  0.5   1.25  2.  ]
    [[1 0 1]
     [0 1 0]]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70 1][]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70]: /images/20221120/86dce2726bfd4eeda28ac0d4448b5486.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70 1]: /images/20221120/aee78f6c0ec64138bc5abb396dc9a47a.png