目录
一、合并与分割
1.1 tf.concat (合并)
1.2 tf.stack （增加新维度）
1.3 tf.unstack （一个一个拆分）
1.4 tf.split （均分拆分）
二、数据统计
2.1 tf.norm（默认二范数）
2.1.1 一范数
2.2 tf.reduce_min / max / mean（求最大、最小、平均值）
2.3 tf.argmax/argmin （求最大、最小值的索引）
2.4 tf.equal （比较）
2.5 tf.unquire（去除重复元素）
三、数据排序
3.1 tf.sort / tf.argsort（排序和返回索引）
3.2 tf.math.top_k（返回 values and indices）
四、填充与复制
4.1 tf.pad（填充）
4.2 tf.tile（数据复制）
五、张量限幅
5.1 tf.clip_by_value
5.2 tf.nn.relu
5.3 tf.clip_by_norm
5.4 tf.clip_by_global_norm
六、高阶操作
6.1 tf.where（查询 True 的坐标）
6.2 tf.scatter_nd
6.3 tf.meshgrid
一、合并与分割
1.1 tf.concat (合并)
一个同学收集 1~4 班的成绩单
另一个同学收集 5~6 班的成绩单
1.2 tf.stack （增加新维度）
如要把两个学校的成绩合并，此时需要区分如前4个班级是A学校的，后4个是B学校，这就需要增加一个维度：学校
concat 和 stack 都要保证其他维度相等
1.3 tf.unstack （一个一个拆分）
如上，unstack 将 [2,4,35,8] 拆分成了 8个 [2,4,35]，而如果要拆分成2个 [2,4,35,4] 就要用到 split 函数
1.4 tf.split （均分拆分）
num_or_size_splits = 2 分成均等的两部分
num_or_size_splits = [2,2,4] 拆分成2，2，4的三部分
二、数据统计
张量的统计、二范数（Eukl）、一范数（L1）、无穷范数（Max）
都是向量的范数
2.1 tf.norm（默认二范数）
这里讨论 向量的范数，不讨论矩阵的范数
norm：所有元素平方和开根号
2.1.1 一范数
tf.norm(b, ord=2, axis=1) ：ord=2是二范数，axis=1是一行算一个整体
tf.norm(b, ord=1, axis=0) ：ord=1是一范数，axis=0是一列算一个整体
2.2 tf.reduce_min / max / mean（求最大、最小、平均值）
为什么是 reduce，是因为提醒你这是降维的过程
2.3 tf.argmax/argmin （求最大、最小值的索引）
2.4 tf.equal （比较）
可用来求准确度 accuracy
2.5 tf.unquire（去除重复元素）
返回两个，一个是去除重复的数组，另一个是原表中元素在去除后的表中的索引
三、数据排序
3.1 tf.sort / tf.argsort（排序和返回索引）
direction = 'DESCENDING' ：sort中 降序；argsort中 返回最大值索引，次大值索引，依次下去
这是 argsort 和 gather 就能融合使用
argsort 默认返回最小值的索引
3.2 tf.math.top_k（返回 values and indices）
res = tf.math.top_k(a, 2)：返回前2个最大值的索引和值，k=2
用 indices 返回索引，values返回值
可用来 top-k accuracy 预测
代码：topk.py
四、填充与复制
4.1 tf.pad（填充）
如一个维度的 [3]，pad个 [ [A, B] ] 表示左边添加A 个，右边添加B个
[ [ 0, 1] , [1, 1] ] 表示行的上面不添加，下面添加1行；列的左边添加1行，右边添加1行
4.2 tf.tile（数据复制）
根据维度来复制
tf.tile (a, [1, 2])：1表示行这个维度不复制，2表示列这个维度复制1次
五、张量限幅
5.1 tf.clip_by_value
maximum, max, minimum, min：分别限幅最小和最大
要想限制在一个范围就要嵌套，如 min( 8, max(x, 2))
还可以直接使用 tf.clip_by_value = (a, 2, 8)
5.2 tf.nn.relu
5.3 tf.clip_by_norm
根据范数来放缩限幅
相当于把原数 除以 模 归一化这种，在 乘 要放缩的数
5.4 tf.clip_by_global_norm
使得参数做一个整体的缩放
在训练时可帮助梯度更加稳定，不至于出现梯度爆炸
代码： chapter02 - clip.py
六、高阶操作
6.1 tf.where（查询 True 的坐标）
三个参数时，不一样
6.2 tf.scatter_nd
shape 是输出的底版
updates 是在shape中的更新的值
indices 是更新的索引
tf.scatter_nd 不能在现有的 tensor A上更新，只能在一个全 0 的底版上更新
要更新的话，首先要把要更新的一部分值取出来更新到底版上，得到A‘，A-A' 就会把要更新的一部分值清零，就是一个 clear 的操作
再把一个新的值写到底版上就是 A''，再把A'' 和清零后的累加最终得到
所以要更新的话就需要两个 scatter_nd 的操作
多维用法：
6.3 tf.meshgrid
先规定 x，y 区间为 [-2， 2] ，在规定间隔 1，所以每个坐标都有2个值x和y，一共25个
用一个嵌套来生成坐标，（-2，2，5）：从-2到2，间隔5个点，保存到list中，再转换成array格式，但这是用 numpy 实现的，无法用 gpu 加速，无法和tensor深度结合一起
所以可以这样用
这个功能就叫做 meshgrid
先给一个范围 tf.linspace(-2.,2,5)，用 tf.meshgrid 后返回的 x，y的shape都是 [5,5]
再 stack 一下
此时得到 [5,5,2] 的，再 reshape 一下就行
可以用来画出一个函数的 曲面，已知函数的等高线
代码： 高阶OP.py
