tensorflow2.x 高阶操作

• • • • where
      • scatter_nd
      • tf.meshgrid()
      • tf.meshgrid()介绍
      • 例：画出函数풛 = 풔풊풏 풙 + 풔풊풏(풚)的曲面和等高线

• 一个参数：condition=mask, x=None, y=None, name=None
  • 返回 mask中值为True的元素的坐标
• 3个参数：condition=mask, x=A, y=B, name=None
  • condition:为一个True和False的tensor
  • x,y必须和condition形状一样
  • 如果为True,将A中对应的值填入；如果为False，将B中对应的值填入
  • 返回的就是这个由A、B中元素组成的新的tensor

a = tf.random.normal([3,3])
print(a)
mask = a > 0
print(mask)#返回的是True和False形成的一个tensor
print(tf.boolean_mask(a, mask))#取出所有的满足条件的值（True）
indices = tf.where(mask)
print(indices)#所有True对应的索引
print(tf.gather_nd(a, indices))

A = tf.ones([3,3])
B = tf.zeros([3,3])
print(tf.where(mask, A, B))

import tensorflow as tf

# tf.scatter_nd()
indices = tf.constant([[4],[3],[1],[7]])#更新值对应的索引
updates = tf.constant([9,10,11,12])#更新的值
shape = tf.constant([8])#底板 —— 长度为8，值全为0
print(tf.scatter_nd(indices, updates, shape))
# tf.Tensor([ 0 11  0 10  9  0  0 12], shape=(8,), dtype=int32)

indices = tf.constant([[0],[2]])#更新的值对应
updatas = tf.constant([[[5,5,5,5],[6,6,6,6],
                        [7,7,7,7],[8,8,8,8]],
                       [[5,5,5,5],[6,6,6,6],
                        [7,7,7,7],[8,8,8,8]]])
print(updatas.shape)
shape = tf.constant([4,4,4])
print(tf.scatter_nd(indices, updatas, shape))

要求：得到下图右侧的点集

• 用numpy实现

import numpy as np

#numpy实现 没有实现GPU加速
points = []
for y in np.linspace(-2,2,5):
    for x in np.linspace(-2,2,5):
        points.append([x,y])

• 用tf.meshgrid 、tf.stack实现

#tensorflow实现  实现GPU加速
y = tf.linspace(-2.,2,5)
# print(y)#[-2. -1.  0.  1.  2.]
x = tf.linspace(-2.,2,5)
# print(x)#[-2. -1.  0.  1.  2.]
points_x,points_y = tf.meshgrid(x,y)
print(points_x.shape)# (5, 5)
print(points_x)
print(points_y)
points = tf.stack([points_x,points_y],axis=2)#张量的拼接——在原基础上增加维度
print(points)
print(points.shape)#(5, 5, 2)

def meshgrid(*args, **kwargs):
给定N个一维坐标数组’ *args ‘，返回一个列表’ outputs '的N-D坐标数组，用于在N-D网格上计算表达式。
(来自有道翻译)

——自己的理解（小白学python，不一定准确）

points_x,points_y = tf.meshgrid(X,Y)
传递了两个一维数组坐标X、Y,
X为1行m列，Y为1行n列

• 对于points_x ：
  • points_x.shape = (n,m)
  • 每一行的值都与X相同
• 对于points_y:
  • points_y.shape = (n,m)
  • 每i行的值，都等于Y中i列的值

总的来说：
他就是给定n个一维数组坐标，结合stack，那么，所有的给定的坐标所能形成的点都可以用tensor表示出来
然后如果是二维，则形成一个网格表，三维也差不多是这个意思

该例子的话是给定xy的范围（或值），根据函数풛 = 풔풊풏 풙 + 풔풊풏(풚)，计算出z，再用图形表示出来这个函数f（x，y）=z
points 对应的是[x,y]形成的（500，500，2）的形状的tensor,因为给定的x、y个有500个值

通过x[…,0]，x[…,1]取出x、y，并放入到函数풛 = 풔풊풏 풙 + 풔풊풏(풚)，计算出z，最后作图

# -*- coding = utf-8 -*-
# @Time :2021/9/30 11:30
# @Author : Min
# @File : t9
# @Software : PyCharm
import tensorflow as tf
import matplotlib.pyplot as plt

def func(x):
    #实现函数
    z = tf.math.sin(x[...,0]) + tf.math.sin(x[...,1])
    return z;

x = tf.linspace(0.,2*3.14,500)
y = tf.linspace(0.,2*3.14,500)
points_x,points_y = tf.meshgrid(x,y)
points = tf.stack([points_x,points_y],axis=2)
z = func(points)

#画图
plt.figure('plot 2d func value')
plt.imshow(z,origin='lower',interpolation='none')
plt.colorbar()
plt.figure('plot 2d func contour')
plt.contour(points_x,points_y,z)
plt.colorbar()
plt.show()