摘要： Tensorflow向量操作
向量
向量在编程语言中就是最常用的一维数组。
二维数组叫做矩阵，三维以上叫做张量。
向量虽然简单，高效，且容易理解。但是与操作0维的标量数据毕竟还是不同的。比如向量经常用于表示一个序列，生成序列像标量一样一个一个手工写就不划算了。当然可以用循环来写。在向量中这样还好，如果是在矩阵或者是张量中就强烈建议不要用循环来做了。系统提供的函数一般都是经过高度优化的，而且可以使用GPU资源来进行加速。
我们一方面尽可能地多使用系统的函数，另一方面也不要迷信它们，代码优化是一个实践的过程，可以实际比较测量一下。
快速生成向量的方法
range函数生成等差数列
tf.range函数用来快速生成一个等差数列。相当于之前我们讲numpy时的np.arange函数。
原型：
tf.range(start, limit, delta=1, dtype=None, name='range')
例：
>>> b11 = tf.range(1,100,1)
>>> b11
<tf.Tensor 'range:0' shape=(99,) dtype=int32>
>>> sess.run(b11)
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17,
18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34,
35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51,
52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68,
69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85,
86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99],
dtype=int32)
linspace生成浮点等差数组
tf.linspace与tf.range的区别在于，数据类型不同。
tf.lin_space(
start,
stop,
num,
name=None
)
其中，start和stop必须是浮点数，且类型必须相同。num必须是整数。
例：
>>> a2 = tf.linspace(1.0,10.0,4)
>>> a2
<tf.Tensor 'LinSpace_2:0' shape=(4,) dtype=float32>
>>> sess.run(a2)
array([ 1., 4., 7., 10.], dtype=float32)
拼瓷砖
就是将一段向量重复若干次。
>>> a10 = tf.range(1,4,1)
>>> sess.run(a10)
array([1, 2, 3], dtype=int32)
>>> a11 = tf.tile(a10,[3])
>>> sess.run(a11)
array([1, 2, 3, 1, 2, 3, 1, 2, 3], dtype=int32)
向量操作
将向量反序
可以使用tf.reverse函数。
原型：
tf.reverse(
tensor,
axis,
name=None
)
tensor是向量，axis轴对于向量不重要，给个[-1]就可以了。折腾轴是张量时间的事情，暂时还用不到。
>>> a2 = tf.linspace(1.0,10.0,4)
>>> a3 = tf.reverse(a2,[-1])
>>> sess.run(a3)
array([10., 7., 4., 1.], dtype=float32)
切片
切片也是向量的常用操作之一，就是取数组的一部分。
例：
>>> a5 = tf.linspace(1.0,100.0, 10)
>>> sess.run(a5)
array([ 1., 12., 23., 34., 45., 56., 67., 78., 89., 100.],
dtype=float32)
>>> a6 = tf.slice(a5, [2],[4])
>>> sess.run(a6)
array([23., 34., 45., 56.], dtype=float32)
将来处理张量时，我们从一个矩阵切一块，或从一个张量中切一块，就好玩得多了。但是原理跟向量上是一样的。
连接
tf.concat也是需要给定轴信息的。对于两个线性的向量，我们给0或者-1就好。
>>> a20 = tf.linspace(1.0,2.0,10)
>>> sess.run(a20)
array([1. , 1.1111112, 1.2222222, 1.3333334, 1.4444444, 1.5555556,
1.6666667, 1.7777778, 1.8888888, 2. ], dtype=float32)
>>> a21 = tf.linspace(2.0,3.0,5)
>>> sess.run(a22)
array([1. , 1.1111112, 1.2222222, 1.3333334, 1.4444444, 1.5555556,
1.6666667, 1.7777778, 1.8888888, 2. , 2. , 2.25 ,
2.5 , 2.75 , 3. ], dtype=float32)
>>> a23 = tf.concat([a20,a21],-1)
>>> sess.run(a23)
array([1. , 1.1111112, 1.2222222, 1.3333334, 1.4444444, 1.5555556,
1.6666667, 1.7777778, 1.8888888, 2. , 2. , 2.25 ,
2.5 , 2.75 , 3. ], dtype=float32)
向量计算
向量加减法
同样长度的向量之间可以进行加减操作。
例：
>>> a40 = tf.constant([1,1])
>>> a41 = tf.constant([2,2])
>>> a42 = a40 + a41
>>> sess.run(a42)
array([3, 3], dtype=int32)
>>> a43 = a40 - a41
>>> sess.run(a43)
array([-1, -1], dtype=int32)
>>> a43
<tf.Tensor 'sub:0' shape=(2,) dtype=int32>
向量乘除标量
向量乘除标量也非常好理解，就是针对向量中的每个数都做乘除法。
例：
>>> a44 = a40 * 2
>>> sess.run(a44)
array([2, 2], dtype=int32)
>>> a45 = a44 / 2
>>> sess.run(a45)
array([1., 1.])
>>> a44
<tf.Tensor 'mul:0' shape=(2,) dtype=int32>
>>> a45
<tf.Tensor 'truediv_1:0' shape=(2,) dtype=float64>
广播运算
如果针对向量和标量进行加减运算，也是会对向量中的每个数进行加减运算。这种操作称为广播操作。
例：
**>>> a46 = a40 + 1
sess.run(a46)
array([2, 2], dtype=int32)
a46
<tf.Tensor ‘add_1:0’ shape=(2,) dtype=int32>**
小结
从上面我们学习的函数我们可以看到，与普通语言中提供的函数多是为一维数组操作不同，Tensorflow中的切片、拼接等操作也是基于张量的。
当我们后面学到张量遇到困难时，不妨回来看下这一节。不管后面张量多么复杂，其实也只是从一维向二维和多维推广而己。
详情请阅读原文
