一、简介
tf.stack提供了一种沿新轴堆叠张量列表的方法。它接受一系列张量，并返回所有张量堆叠在一起的单个张量。新轴的位置取决于axis参数的值。tf.stack和tf.concat的不同之处在于tf.concat沿着现有轴连接张量。因此，tf.concat不会增加张量的总尺寸，而是将张量沿着指定轴拼接起来。而tf.stack将多个张量沿新维度拼接成一个张量，因此，它会增加张量的尺寸。
二、axis参数的取值
tf.stack有一个可选参数axis，默认值为0。axis确定新轴应插入的位置。不同的取值会导致不同的行为：
当axis为0时，tf.stack会在新创建的轴0上连接张量列表。例如，如果输入张量列表的形状为[2,3]，那么输出张量的形状将为[2,3,2]。
import tensorflow as tf
# 创建两个张量
a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[7, 8, 9], [10, 11, 12]])
c = tf.stack([a, b], axis=0) # 在新维度0上堆叠（2，2）的张量列表
print(c.numpy().shape)
输出结果：(2, 2, 3)
当axis为1时，tf.stack将在新创建的轴1上连接张量列表，形状将为[2,3,2]。
import tensorflow as tf
# 创建两个张量
a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[7, 8, 9], [10, 11, 12]])
c = tf.stack([a, b], axis=1) # 在新维度1上堆叠（2，3）的张量列表
print(c.numpy().shape)
输出结果：(2, 2, 3)
当axis为-1时，tf.stack将在新创建的轴-1（即倒数第二个轴）上连接张量列表，形状为[2,3,2]。
import tensorflow as tf
# 创建两个张量
a = tf.constant([[1, 2, 3], [4, 5, 6]])
b = tf.constant([[7, 8, 9], [10, 11, 12]])
c = tf.stack([a, b], axis=-1) # 在新维度-1上堆叠（2，3）的张量列表
print(c.numpy().shape)
输出结果：(2, 3, 2)
三、代码示例
下面是一个实际的示例，展示了如何使用tf.stack连接张量。在这个例子中，我们将用一个for循环随机生成若干张量，并将这些张量在轴0上拼接起来。
import tensorflow as tf
import numpy as np
# 生成若干随机维度相同的张量
tensor_list = []
for i in range(5):
arr = np.random.randn(3, 4)
tensor = tf.constant(arr)
tensor_list.append(tensor)
# 将所有张量在轴0上拼接
stacked_tensor = tf.stack(tensor_list, axis=0)
# 检查张量的形状
print(stacked_tensor.shape)
输出结果：(5, 3, 4)
四、注意事项
使用tf.stack时，需要注意以下几个方面：
1、所有输入张量的形状必须相同。如果形状不一致，会导致错误。
2、新的轴的位置由axis参数决定，axis的范围始于[-(R+1),R]，其中R是输入张量的秩。例如，如果输入张量的秩为3，那么可以通过设置axis=-4, axis=-3, axis=-2, axis=-1, axis=0, axis=1, axis=2, 或 axis=3来定义新轴的位置。
3、与tf.concat不同，tf.stack会增加张量的尺寸。因此在应用时，需要根据具体场景来选择使用tf.stack还是tf.concat。
五、总结
本文介绍了tf.stack方法的基本用法、axis参数的取值、使用代码示例以及注意事项。tf.stack可以方便地将多个张量连接为一个张量，并创建新的轴。在实际应用中需要注意输入张量的形状必须相同，axis参数的取值必须符合范围，以及tf.stack会增加张量的尺寸等问题。
原创文章，作者：FIXQG，如若转载，请注明出处：https://www.506064.com/n/332975.html
微信扫一扫 
支付宝扫一扫 