作者：chen_h
微信号 & QQ：862251340
微信公众号：coderpai
我的博客：请点击这里
计划现将 tensorflow 中的 Python API 做一个学习，这样方便以后的学习。
原文链接
数据类型投射
Tensorflow提供了很多的数据类型投射操作，你能将数据类型投射到一个你想要的数据类型上去。
tf.string_to_number(string_tensor, out_type = None, name = None)
解释：这个函数是将一个string的Tensor转换成一个数字类型的Tensor。但是要注意一点，如果你想转换的数字类型是tf.float32，那么这个string去掉引号之后，里面的值必须是一个合法的浮点数，否则不能转换。如果你想转换的数字类型是tf.int32，那么这个string去掉引号之后，里面的值必须是一个合法的浮点数或者整型，否则不能转换。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant('123')
print sess.run(data)
d = tf.string_to_number(data)
print sess.run(d)
输入参数：
* string_tensor: 一个string类型的Tensor。
* out_type: 一个可选的数据类型tf.DType，默认的是tf.float32，但我们也可以选择tf.int32或者tf.float32。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型是out_type，数据维度和string_tensor相同。
tf.to_double(x, name = 'ToDouble')
解释：这个函数是将一个Tensor的数据类型转换成float64。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant(123)
print sess.run(data)
d = tf.to_double(data)
print sess.run(d)
输入参数：
* x: 一个Tensor或者是SparseTensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor或者SparseTensor，数据类型是float64，数据维度和x相同。
提示：
* 错误: 如果x是不能被转换成float64类型的，那么将报错。
tf.to_float(x, name = 'ToFloat')
解释：这个函数是将一个Tensor的数据类型转换成float32。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant(123)
print sess.run(data)
d = tf.to_float(data)
print sess.run(d)
输入参数：
* x: 一个Tensor或者是SparseTensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor或者SparseTensor，数据类型是float32，数据维度和x相同。
提示：
* 错误: 如果x是不能被转换成float32类型的，那么将报错。
tf.to_bfloat16(x, name = 'ToBFloat16')
解释：这个函数是将一个Tensor的数据类型转换成bfloat16。
译者注：这个API的作用不是很理解，但我测试了一下，输入的x必须是浮点型的，别的类型都不行。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_bfloat16(data)
print sess.run(d)
输入参数：
* x: 一个Tensor或者是SparseTensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor或者SparseTensor，数据类型是bfloat16，数据维度和x相同。
提示：
* 错误: 如果x是不能被转换成bfloat16类型的，那么将报错。
tf.to_int32(x, name = 'ToInt32')
解释：这个函数是将一个Tensor的数据类型转换成int32。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_int32(data)
print sess.run(d)
输入参数：
* x: 一个Tensor或者是SparseTensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor或者SparseTensor，数据类型是int32，数据维度和x相同。
提示：
* 错误: 如果x是不能被转换成int32类型的，那么将报错。
tf.to_int64(x, name = 'ToInt64')
解释：这个函数是将一个Tensor的数据类型转换成int64。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.to_int64(data)
print sess.run(d)
输入参数：
* x: 一个Tensor或者是SparseTensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor或者SparseTensor，数据类型是int64，数据维度和x相同。
提示：
* 错误: 如果x是不能被转换成int64类型的，那么将报错。
tf.cast(x, dtype, name = None)
解释：这个函数是将一个Tensor或者SparseTensor的数据类型转换成dtype。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([x for x in range(20)], tf.float32)
print sess.run(data)
d = tf.cast(data, tf.int32)
print sess.run(d)
输入参数：
* x: 一个Tensor或者是SparseTensor。
* dtype: 目标数据类型。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor或者SparseTensor，数据维度和x相同。
提示：
* 错误: 如果x是不能被转换成dtype类型的，那么将报错。
数据维度转换
Tensorflow提供了很多的数据维度转换操作，你能改变数据的维度，将它变成你需要的维度。
tf.shape(input, name = None)
解释：这个函数是返回input的数据维度，返回的Tensor数据维度是一维的。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.shape(data)
print sess.run(d)
输入参数：
* input: 一个Tensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型是int32。
tf.size(input, name = None)
解释：这个函数是返回input中一共有多少个元素。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.size(data)
print sess.run(d)
输入参数：
* input: 一个Tensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型是int32。
tf.rank(input, name = None)
解释：这个函数是返回Tensor的秩。
注意：Tensor的秩和矩阵的秩是不一样的，Tensor的秩指的是元素维度索引的数目，这个概念也被成为order, degree或者ndims。比如，一个Tensor的维度是[1, 28, 28, 1]，那么它的秩就是4。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
d = tf.rank(data)
print sess.run(tf.shape(data))
print sess.run(d)
输入参数：
* input: 一个Tensor
。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型是int32。
tf.reshape(tensor, shape, name = None)
解释：这个函数的作用是对tensor的维度进行重新组合。给定一个tensor，这个函数会返回数据维度是shape的一个新的tensor，但是tensor里面的元素不变。
如果shape是一个特殊值[-1]，那么tensor将会变成一个扁平的一维tensor。
如果shape是一个一维或者更高的tensor，那么输入的tensor将按照这个shape进行重新组合，但是重新组合的tensor和原来的tensor的元素是必须相同的。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([[[1, 1, 1], [2, 2, 2]], [[3, 3, 3], [4, 4, 4]]])
print sess.run(data)
print sess.run(tf.shape(data))
d = tf.reshape(data, [-1])
print sess.run(d)
d = tf.reshape(data, [3, 4])
print sess.run(d)
输入参数：
* tensor: 一个Tensor。
* shape: 一个Tensor，数据类型是int32，定义输出数据的维度。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和输入数据相同。
tf.squeeze(input, squeeze_dims = None, name = None)
解释：这个函数的作用是将input中维度是1的那一维去掉。但是如果你不想把维度是1的全部去掉，那么你可以使用squeeze_dims参数，来指定需要去掉的位置。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
d_1 = tf.expand_dims(d_1, 2)
d_1 = tf.expand_dims(d_1, -1)
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))
d_2 = d_1
print sess.run(tf.shape(tf.squeeze(d_1)))
print sess.run(tf.shape(tf.squeeze(d_2, [2, 4])))
输入参数：
* input: 一个Tensor。
* squeeze_dims: （可选）一个序列，索引从0开始，只移除该列表中对应位的tensor。默认下，是一个空序列[]。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和输入数据相同。
tf.expand_dims(input, dim, name = None)
解释：这个函数的作用是向input中插入维度是1的张量。
我们可以指定插入的位置dim，dim的索引从0开始，dim的值也可以是负数，从尾部开始插入，符合 python 的语法。
这个操作是非常有用的。举个例子，如果你有一张图片，数据维度是[height, width, channels]，你想要加入“批量”这个信息，那么你可以这样操作expand_dims(images, 0)，那么该图片的维度就变成了[1, height, width, channels]。
这个操作要求：
-1-input.dims() <= dim <= input.dims()
这个操作是squeeze()函数的相反操作，可以一起灵活运用。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([[1, 2, 1], [3, 1, 1]])
print sess.run(tf.shape(data))
d_1 = tf.expand_dims(data, 0)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, 2)
print sess.run(tf.shape(d_1))
d_1 = tf.expand_dims(d_1, -1)
print sess.run(tf.shape(d_1))
输入参数：
* input: 一个Tensor。
* dim: 一个Tensor，数据类型是int32，标量。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和输入数据相同，数据和input相同，但是维度增加了一维。
数据抽取和结合
Tensorflow提供了很多的数据抽取和结合的方法。
tf.slice(input_, begin, size, name = None)
解释：这个函数的作用是从输入数据input中提取出一块切片，切片的尺寸是size，切片的开始位置是begin。切片的尺寸size表示输出tensor的数据维度，其中size[i]表示在第i维度上面的元素个数。开始位置begin表示切片相对于输入数据input_的每一个偏移量，比如数据input_是
[[[1, 1, 1], [2, 2, 2]],
[[33, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]]
begin为[1, 0, 0]，那么数据的开始位置是33。因为，第一维偏移了1，其余几位都没有偏移，所以开始位置是33。
操作满足：
size[i] = input.dim_size(i) - begin[i]
0 <= begin[i] <= begin[i] + size[i] <= Di for i in [0, n]
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
input = tf.constant([[[1, 1, 1], [2, 2, 2]],
[[3, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]])
data = tf.slice(input, [1, 0, 0], [1, 1, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [1, 2, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [2, 1, 3])
print sess.run(data)
data = tf.slice(input, [1, 0, 0], [2, 2, 2])
print sess.run(data)
输入参数：
* input_: 一个Tensor。
* begin: 一个Tensor，数据类型是int32或者int64。
* size: 一个Tensor，数据类型是int32或者int64。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和input_相同。
tf.split(split_dim, num_split, value, name = 'split')
解释：这个函数的作用是，沿着split_dim维度将value切成num_split块。要求，num_split必须被value.shape[split_dim]整除，即value.shape[split_dim] % num_split == 0。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
input = tf.random_normal([5,30])
print sess.run(tf.shape(input))[0] / 5
split0, split1, split2, split3, split4 = tf.split(0, 5, input)
print sess.run(tf.shape(split0))
输入参数：
* split_dim: 一个0维的Tensor，数据类型是int32，该参数的作用是确定沿着哪个维度进行切割，参数范围 [0, rank(value))。
* num_split: 一个0维的Tensor，数据类型是int32，切割的块数量。
* value: 一个需要切割的Tensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 从value中切割的num_split个Tensor。
tf.tile(input, multiples, name = None)
解释：这个函数的作用是通过给定的tensor去构造一个新的tensor。所使用的方法是将input复制multiples次，输出的tensor的第i维有input.dims(i) * multiples[i]个元素，input中的元素被复制multiples[i]次。比如，input = [a b c d], multiples = [2]，那么tile(input, multiples) = [a b c d a b c d]。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
data = tf.constant([[1, 2, 3, 4], [9, 8, 7, 6]])
d = tf.tile(data, [2,3])
print sess.run(d)
输入参数：
* input_: 一个Tensor，数据维度是一维或者更高维度。
* multiples: 一个Tensor，数据类型是int32，数据维度是一维，长度必须和input的维度一样。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和input相同。
tf.pad(input, paddings, name = None)
解释：这个函数的作用是向input中按照paddings的格式填充0。paddings是一个整型的Tensor，数据维度是[n, 2]，其中n是input的秩。对于input的中的每一维D，paddings[D, 0]表示增加多少个0在input之前，paddings[D, 1]表示增加多少个0在input之后。举个例子，假设paddings = [[1, 1], [2, 2]]和input的数据维度是[2,2]，那么最后填充完之后的数据维度如下：
也就是说，最后的数据维度变成了[4,6]。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
t = tf.constant([[[3,3,],[2,2]]])
print sess.run(tf.shape(t))
paddings = tf.constant([[3,3],[1,1],[2,2]])
print sess.run(tf.pad(t, paddings)).shape
输入参数：
*
input: 一个Tensor。
* paddings: 一个Tensor，数据类型是int32。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和input相同。
tf.concat(concat_dim, value, name = 'concat')
解释：这个函数的作用是沿着concat_dim维度，去重新串联value，组成一个新的tensor。
使用例子：
import tensorflow as tf
import numpy as np
sess = tf.Session()
t1 = tf.constant([[1, 2, 3], [4, 5, 6]])
t2 = tf.constant([[7, 8, 9], [10, 11, 12]])
d1 = tf.concat(0, [t1, t2])
d2 = tf.concat(1, [t1, t2])
print sess.run(d1)
print sess.run(tf.shape(d1))
print sess.run(d2)
print sess.run(tf.shape(d2))
[[ 1 2 3]
[ 4 5 6]
[ 7 8 9]
[10 11 12]]
[[ 1 2 3 7 8 9]
[ 4 5 6 10 11 12]]
从直观上来看，我们取的concat_dim的那一维的元素个数肯定会增加。比如，上述例子中的d1的第0维增加了，而且d1.shape[0] = t1.shape[0]+t2.shape[0]。
输入参数：
* concat_dim: 一个零维度的Tensor，数据类型是int32。
* values: 一个Tensor列表，或者一个单独的Tensor。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个重新串联之后的Tensor。
tf.pack(values, name = 'pack')
解释：这个函数的作用是将秩为R的tensor打包成一个秩为R+1的tensor。具体的公式可以表示为：
tf.pack([x, y, z]) = np.asqrray([x, y, z])
使用例子：
import tensorflow as tf
x = tf.constant([1,2,3])
y = tf.constant([4,5,6])
z = tf.constant([7,8,9])
p = tf.pack([x,y,z])
sess = tf.Session()
print sess.run(tf.shape(p))
print sess.run(p)
输入参数：
* values: 一个Tensor的列表，每个Tensor必须有相同的数据类型和数据维度。
* name:（可选）为这个操作取一个名字。
输出参数：
* output: 一个打包的Tensor，数据类型和values相同。
tf.unpack(value, num = None, name = 'unpack')
解释：这个函数的作用是将秩为R+1的tensor解压成一些秩为R的tensor。其中，num表示要解压出来的tensor的个数。如果，num没有被指定，那么num = value.shape[0]。如果，value.shape[0]无法得到，那么系统将抛出异常ValueError。具体的公式可以表示为：
tf.unpack(x, n) = list(x)
使用例子：
import tensorflow as tf
x = tf.constant([1,2,3])
y = tf.constant([4,5,6])
z = tf.constant([7,8,9])
p = tf.pack([x,y,z])
sess = tf.Session()
print sess.run(tf.shape(p))
pp = tf.unpack(p,3)
print sess.run(pp)
输入参数：
* value: 一个秩大于0的Tensor。
* num: 一个整型，value的第一维度的值。
* name:（可选）为这个操作取一个名字。
输出参数：
* 从value中解压出来的一个Tensor数组。
异常：
* ValueError: 如果num没有被正确指定，那么将抛出异常。
tf.reverse_sequence(input, seq_lengths, seq_dim, name = None)
解释：将input中的值沿着第seq_dim维度进行翻转。
这个操作先将input沿着第0维度切分，然后对于每个切片，将切片长度为seq_lengths[i]的值，沿着第seq_dim维度进行翻转。
向量seq_lengths中的值必须满足seq_lengths[i] < input.dims[seq_dim]，并且其长度必须是input_dims(0)。
对于每个切片i的输出，我们将第seq_dim维度的前seq_lengths[i]的数据进行翻转。
比如：
seq_dim = 1
input.dims = (4, 10, ...)
seq_lengths = [7, 2, 3, 5]
output[0, 0:7, :, ...] = input[0, 7:0:-1, :, ...]
output[1, 0:2, :, ...] = input[1, 2:0:-1, :, ...]
output[2, 0:3, :, ...] = input[2, 3:0:-1, :, ...]
output[3, 0:5, :, ...] = input[3, 5:0:-1, :, ...]
output[0, 7:, :, ...] = input[0, 7:, :, ...]
output[1, 2:, :, ...] = input[1, 2:, :, ...]
output[2, 3:, :, ...] = input[2, 3:, :, ...]
output[3, 2:, :, ...] = input[3, 2:, :, ...]
使用例子：
import tensorflow as tf
sess = tf.Session()
input = tf.constant([[1, 2, 3, 4], [3, 4, 5, 6]], tf.int64)
seq_lengths = tf.constant([3, 2], tf.int64)
seq_dim = 1
output = tf.reverse_sequence(input, seq_lengths, seq_dim)
print sess.run(output)
sess.close()
[[3 2 1 4]
[4 3 5 6]]
输入参数：
* input: 一个Tensor，需要反转的数据。
* seq_lengths: 一个Tensor，数据类型是int64，数据长度是input.dims(0)，并且max(seq_lengths) < input.dims(seq_dim)。
* seq_dim: 一个int，确定需要翻转的维度。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和input相同，数据维度和input相同。
tf.reverse(tensor, dims, name = None)
解释：将指定维度中的数据进行翻转。
给定一个tensor和一个bool类型的dims，dims中的值为False或者True。如果dims[i] == True，那么就将tensor中这一维的数据进行翻转。
tensor最多只能有8个维度，并且tensor的秩必须和dims的长度相同，即rank(tensor) == size(dims)。
使用例子：
import tensorflow as tf
sess = tf.Session()
input_data = tf.constant([[
[
[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]
],
[
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]
]
]])
print 'input_data shape : ', sess.run(tf.shape(input_data))
dims = tf.constant([False, False, False, True])
print sess.run(tf.reverse(input_data, dims))
print "=========================="
dims = tf.constant([False, True, False, False])
print sess.run(tf.reverse(input_data, dims))
print "=========================="
dims = tf.constant([False, False, True, False])
print sess.run(tf.reverse(input_data, dims))
sess.close()
输入参数：
* tensor: 一个Tensor，数据类型必须是以下之一：uint8，int8，int32，bool，float32或者float64，数据维度不超过8维。
* dims: 一个Tensor，数据类型是bool。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和tensor相同，数据维度和tensor相同。
tf.transpose(a, perm = None, name = 'transpose')
解释：将a进行转置，并且根据perm参数重新排列输出维度。
输出数据tensor的第i维将根据perm[i]指定。比如，如果perm没有给定，那么默认是perm = [n-1, n-2, ..., 0]，其中rank(a) = n。默认情况下，对于二维输入数据，其实就是常规的矩阵转置操作。
比如：
input_data.dims = (1, 4, 3)
perm = [1, 2, 0]
output_data.dims = (4, 3, 1)
使用例子：
import tensorflow as tf
sess = tf.Session()
input_data = tf.constant([[1,2,3],[4,5,6]])
print sess.run(tf.transpose(input_data))
print sess.run(input_data)
print sess.run(tf.transpose(input_data, perm=[1,0]))
input_data = tf.constant([[[1,2,3],[4,5,6],[7,8,9],[10,11,12]]])
print 'input_data shape: ', sess.run(tf.shape(input_data))
output_data = tf.transpose(input_data, perm=[1, 2, 0])
print 'output_data shape: ', sess.run(tf.shape(output_data))
print sess.run(output_data)
sess.close()
输入参数：
*
a: 一个Tensor。
* perm: 一个对于a的维度的重排列组合。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个经过翻转的Tensor。
tf.gather(params, indices, name = None)
解释：根据indices索引，从params中取对应索引的值，然后返回。
indices必须是一个整型的tensor，数据维度是常量或者一维。最后输出的数据维度是indices.shape + params.shape[1:]。
比如：
output[:, ..., :] = params[indices, :, ... :]
output[i, :, ..., :] = params[indices[i], :, ... :]
output[i, ..., j, :, ... :] = params[indices[i, ..., j], :, ..., :]
如果indices是一个从0到params.shape[0]的排列，即len(indices) = params.shape[0]，那么这个操作将把params进行重排列。
使用例子：
import tensorflow as tf
sess = tf.Session()
params = tf.constant([6, 3, 4, 1, 5, 9, 10])
indices = tf.constant([2, 0, 2, 5])
output = tf.gather(params, indices)
print sess.run(output)
sess.close()
输入参数：
* params: 一个Tensor。
* indices: 一个Tensor，数据类型必须是int32或者int64。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和params相同。
tf.dynamic_partition(data, partitions, num_partitions, name = None)
解释：根据从partitions中取得的索引，将data分割成num_partitions份。
我们先从partitions.ndim 中取出一个元祖js，那么切片data[js, ...]将成为输出数据outputs[partitions[js]]的一部分。我们将js按照字典序排列，即js里面的值为(0, 0, ..., 1, 1, ..., 2, 2, ..., ..., num_partitions - 1, num_partitions - 1, ...)。我们将partitions[js] = i的值放入outputs[i]。outputs[i]中的第一维对应于partitions.values == i的位置。更多细节如下：
outputs[i].shape = [sum(partitions == i)] + data.shape[partitions.ndim:]
outputs[i] = pack([data[js, ...] for js if partitions[js] == i])
data.shape must start with partitions.shape
这句话不是很明白，说说自己的理解。
data.shape(0)必须和partitions.shape(0)相同，即data.shape[0] == partitions.shape[0]。
比如：
partitions = 1
num_partitions = 2
data = [10, 20]
outputs[0] = []
outputs[1] = [[10, 20]]
partitions = [0, 0, 1, 1, 0]
num_partitions = 2
data = [10, 20, 30, 40, 50]
outputs[0] = [10, 20, 50]
outputs[1] = [30, 40]
使用例子：
import tensorflow as tf
sess = tf.Session()
params = tf.constant([6, 3, 4, 1, 5, 9, 10])
indices = tf.constant([2, 0, 2, 5])
output = tf.gather(params, indices)
print sess.run(output)
sess.close()
输入参数：
* data: 一个Tensor。
* partitions: 一个Tensor，数据类型必须是int32。任意数据维度，但其中的值必须是在范围[0, num_partitions)。
* num_partitions: 一个int，其值必须不小于1。输出的切片个数。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个数组Tensor，数据类型和data相同。
tf.dynamic_stitch(indices, data, name = None)
解释：这是一个交错合并的操作，我们根据indices中的值，将data交错合并，并且返回一个合并之后的tensor。
如下构建一个合并的tensor：
merged[indices[m][i, ..., j], ...] = data[m][i, ..., j, ...]
其中，m是一个从0开始的索引。如果indices[m]是一个标量或者向量，那么我们可以得到更加具体的如下推导：
merged[indices[m], ...] = data[m][...]
merged[indices[m][i], ...] = data[m][i, ...]
从上式的推导，我们也可以看出最终合并的数据是按照索引从小到大排序的。那么会产生两个问题：1）假设如果一个索引同时存在indices[m][i]和indices[n][j]中，其中(m, i) < (n, j)。那么，data[n][j]将作为最后被合并的值。2）假设索引越界了，那么缺失的位上面的值将被随机值给填补。
比如：
indices[0] = 6
indices[1] = [4, 1]
indices[2] = [[5, 2], [0, 3]]
data[0] = [61, 62]
data[1] = [[41, 42], [11, 12]]
data[2] = [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]
merged = [[1, 2], [11, 12], [21, 22], [31, 32], [41, 42],
[51, 52], [61, 62]]
使用例子：
import tensorflow as tf
sess = tf.Session()
indices = [6, [4, 1], [[5, 2], [0, 3]]]
data = [[61, 62], [[41, 42], [11, 12]], [[[51, 52], [21, 22]], [[1, 2], [31, 32]]]]
output = tf.dynamic_stitch(indices, data)
print sess.run(output)
indices = [8, [4, 1], [[5, 2], [0, 3]]]
output = tf.dynamic_stitch(indices, data)
indices = [6, [4, 1], [[5, 2], [2, 3]]]
output = tf.dynamic_stitch(indices, data)
print sess.run(output)
print sess.run(output)
sess.close()
输入参数：
* indices: 一个列表，至少包含两Tensor，数据类型是int32。
* data: 一个列表，里面Tensor的个数和indices相同，并且拥有相同的数据类型。
* name:（可选）为这个操作取一个名字。
输出参数：
* 一个Tensor，数据类型和data相同。
CoderPai 是一个专注于算法实战的平台，从基础的算法到人工智能算法都有设计。如果你对算法实战感兴趣，请快快关注我们吧。加入AI实战微信群，AI实战QQ群，ACM算法微信群，ACM算法QQ群。详情请关注 “CoderPai” 微信号（coderpai） 。
