在TensorFlow中实现矩阵维度扩展
一般TensorFlow中扩展维度可以使用tf.expand_dims()。近来发现另一种可以直接运用取数据操作符[]就能扩展维度的方法。
用法很简单，在要扩展的维度上加上tf.newaxis就行了。
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]]]
参考：
https://tensorflow.google.cn/api_docs/python/tf/Tensor?hl=en#__getitem__
补充知识：tensorflow利用expand_dims和squeeze扩展和压缩tensor维度
在利用tensorflow进行文本挖掘工作的时候，经常涉及到维度扩展和压缩工作。比如对文本进行embedding操作完成之后，若要进行卷积操作，就需要对embedded的向量扩展维度，将[batch_size,embedding_dims]扩展成为[batch_size,embedding_dims,1]，利用tf.expand_dims(input,-1)就可实现，反过来用squeeze(input,-1)或者tf.squeeze（input）也可以把最第三维去掉。
tf.expand_dims()
tf.squeeze()
tf.expand_dims()
tf.expand_dims(input,axis=None,name=None,dim=None)
在第axis位置增加一个维度.
给定张量输入，此操作在输入形状的维度索引轴处插入1的尺寸。尺寸索引轴从零开始;如果您指定轴的负数，则从最后向后计数。
如果要将批量维度添加到单个元素，则此操作非常有用。例如，如果您有一个单一的形状[height，width，channels]，您可以使用expand_dims（image，0）使其成为1个图像，这将使形状[1，高度，宽度，通道]。
例子
#'t'isatensorofshape[2] shape(expand_dims(t,0))==>[1,2] shape(expand_dims(t,1))==>[2,1] shape(expand_dims(t,-1))==>[2,1] #'t2'isatensorofshape[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)
直接上例子
#'t'isatensorofshape[1,2,1,3,1,1] shape(squeeze(t))==>[2,3] #'t'isatensorofshape[1,2,1,3,1,1] shape(squeeze(t,[2,4]))==>[1,2,3,1]
以上这篇在TensorFlow中实现矩阵维度扩展就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。