tf.split 與 tf.squeeze 用法
看Char-RNN的代碼時遇到這兩個函數，記錄一下備忘。
先來看一下tf.split（）函數，作用是分割tensor，將分割後的tensor放入一個list。
split(
value, # 輸入的tensor
num_or_size_splits, # 如果是個整數n，就將輸入的tensor分為n個子tensor。如果是個list T，就將輸入的tensor分為len(T)個子tensor。
axis=0, # 默認為0，表示在哪個維度進行分割。
num=None,
name=split
)
舉個栗子。
import tensorflow as tf
a = np.array([[1,2,3],
[4,5,6]])
b = tf.split(a, 3, 1)
c = tf.split(a, [1, 2], 1)
with tf.Session() as sess:
print (sess.run(b))
print (sess.run(c))
輸出：
[array([[1],
[4]]), array([[2],
[5]]), array([[3],
[6]])]
[array([[1],
[4]]), array([[2, 3],
[5, 6]])]
我們來看一下上面的結果。可以看到輸出的 b 是將 a 在第二個維度也就是「列」上將數組平均分為3份，而 c 則是將 a 在「列」維度上將 a 分成兩份，每一份的長度對應list裏的數值，此處為[1， 2]，注意如果num_or_size_splits為一個數，則要分割的那個維度的大小k一定要能被num_or_size_splits整除，上例k=3，num_or_size_splits=3，可以整除，如果num_or_size_splits換為2，則會報錯。同理如果num_or_size_splits是一個list，則list裏的所有值之和應該等於要分割的那個維度的大小k，上例中1 + 2 = k。
上例中數組a為二維，在高維時同理，這裡舉一個三維的栗子，深度學習中處理三維的情況比較多。
import tensorflow as tf
a = np.reshape(range(24),(4,2,3))
b = tf.split(a,2,1)
d = tf.split(a,3,2)
with tf.Session() as sess:
print (sess.run(b))
print (sess.run(d))
輸出：
[array([[[ 0, 1, 2]],
[[ 6, 7, 8]],
[[12, 13, 14]],
[[18, 19, 20]]]), array([[[ 3, 4, 5]],
[[ 9, 10, 11]],
[[15, 16, 17]],
[[21, 22, 23]]])]
[array([[[ 0],
[ 3]],
[[ 6],
[ 9]],
[[12],
[15]],
[[18],
[21]]]), array([[[ 1],
[ 4]],
[[ 7],
[10]],
[[13],
[16]],
[[19],
[22]]]), array([[[ 2],
[ 5]],
[[ 8],
[11]],
[[14],
[17]],
[[20],
[23]]])]
再來看一下 tf.squeeze（）函數，作用是去掉維數為1的維度。
tf.squeeze
squeeze(
input, # 輸入的tensor
axis=None, # 默認為None，去掉維數為1的維度，也可以指定，則去掉指定維度
name=None,
squeeze_dims=None
)
繼續用上例舉慄。
import tensorflow as tf
a = np.reshape(range(24),(4,2,3))
b = tf.split(a,2,1)
c = tf.squeeze(b[0])
print (c.shape)
輸出：
(4, 3)
經過分割後的b是一個list，包含兩個數組元素，每個元素的shape都是4 * 1 * 3，將第一個數組元素經過tf.squeeze（）函數處理，可以看到維度變為4 * 3，去掉了維數為1的維度。
參考：
【tensorflow 學習】tf.split()和tf.squeeze()
推薦閱讀：