tensorflow_5:高级操作

常用，但是稍复杂的功能函数

1. tf.gather

该函数可以根据索引号收集数据假设共有4个班级，每个班级35个学生，8门科目，保存成绩册的张量shape为[4,35,8].

1	x = tf.random.uniform([4, 35, 8], maxval=100)

收集第 1~2 个班级的成绩册，可以给定需要收集班级的索引号：[0,1]，并指定班级的维度 axis=0，通过 tf.gather 函数收集数据

1	tf.gather(x, [0, 1], axis=0)

抽查所有班级的第 1、4、9、12、13、27 号同学的成绩数据

1	tf.gather(x,[0,3,8,11,12,26],axis=1)

要收集所有同学的第3和第5门科目的成绩:

1	tf.gather(x,[2,4],axis=2) # 第3,5科目的成绩

2. tf.gather_nd

该函数可以实现采样多个点（多维）抽查第2个班级的第2个同学的所有科目，第3个班级的第3个同学的所有科目，第4个班级的第4个同学的所有科目

1	tf.gather_nd(x,[[1,1],[2,2],[3,3]])

3. tf.boolean_mask(感觉可能没啥用?)

以掩码方式进行数据提取,采样第 1 和第 4 个班级的数据

1	tf.boolean_mask(x, mask=[True, False, True, False], axis=0)

4. tf.where(说白了就是筛选，和sql一个东西)

通过tf.where(cond, a, b)操作可以根据cond条件的真假从参数?或?中读取数据，条件判定规则如下

当参数a=b=None时，即a和b参数不指定，tf.where会返回cond张量中所有True的元素的索引坐标

5. scatter_nd

该函数可以高效地刷新张量的部分数据，但是这个函数只能在全0的白板张量上面执行刷新操作

原理：

参数为：tf.scatter_nd(indices, updates, shape)

需要刷新的数据索引号通过indices表示，新数据为updates。根据indices给出的索引位置将updates中新的数据依次写入白板中，并返回更新后的结果张量实例：

indices = tf.constant([[4], [3], [1], [7]]) # 构造需要刷新数据的位置参数,即为4、3、1和7号位置
print(indices)
updates = tf.constant([4.4, 3.3, 1.1, 7.7]) # 构造需要写入的数据,4号位写入 4.4, 3号位写入3.3…以此类推
print(updates)
tf.scatter_nd(indices, updates, [8]) # 在长度为8的全0向量上根据indices写入updates数据

3D张量跟新示意图

实例：

indices = tf.constant([[1], [3]])
print(indices)
updates = tf.constant([
  [[5, 5, 5, 5], [6, 6, 6, 6], [7, 7, 7, 7], [8, 8, 8, 8]],
  [[1, 1, 1, 1], [2, 2, 2, 2], [3, 3, 3, 3], [4, 4, 4, 4]]
])
print(updates)
tf.scatter_nd(indices, updates, [4, 4, 4])

6. meshgrid(画图的，你懂的必须学)

生成二维网格的采样点坐标，方便可视化等应用场合。考虑2个自变量x和y的Sinc函数表达式为

x = tf.linspace(-8., 8, 100)       # 设置 x 轴的采样点
y = tf.linspace(-8., 8, 100)       # 设置 y 轴的采样点
x, y = tf.meshgrid(x, y)           # 生成网格点，并内部拆分后返回
x.shape, y.shape                   # 打印拆分后的所有点的 x,y 坐标张量 shape
z = tf.sqrt(x**2+y**2)
z = tf.sin(z)/z                     # sinc 函数实现

import matplotlib
from matplotlib import pyplot as plt
# 导入 3D 坐标轴支持
from mpl_toolkits.mplot3d import Axes3D
fig = plt.figure()
ax = Axes3D(fig)                         # 设置 3D 坐标轴
# 根据网格点绘制 sinc 函数 3D 曲面
ax.contour3D(x.numpy(), y.numpy(), z.numpy(), 50)
plt.show()

批训练（高贵的gpu）

1	train_db = train_db.batch(128) # 设置批训练，batch size 为 128

预处理（高贵的自动化）

1	train_db = train_db.map(preprocess)